基于功率譜法對大鼠腦電信號的特征信息分析

張慧敏，隋建峰

1.重慶電子工程職業學院 通信系，重慶 401331；2.第三軍醫大學 基礎部基礎醫學教學實驗中心，重慶 400038

基于功率譜法對大鼠腦電信號的特征信息分析

張慧敏1,2，隋建峰2

1.重慶電子工程職業學院 通信系，重慶 401331；2.第三軍醫大學 基礎部基礎醫學教學實驗中心，重慶 400038

隨著科技的快速發展，人們對于醫學、生物學的關注度與日俱增，腦電信號作為最神秘器官的活動反映指示，它包含了大量的生理與疾病信息，對于生命科學的研究具有十分重大的意義。本文參照經典眨眼條件反射，搭建了實驗平臺，實驗采用眨眼刺激法，刺激模型采用實時追蹤模型和延遲模型，應用功率譜法對采集到的大鼠腦電信號進行特征信息提取，以此實現對大鼠腦電信號的特征信息分析比較。實驗表明分析結果符合腦電信號的規律，與人工設置的實驗條件結果一致。

腦電信號；功率譜法；特征信息；眨眼反射

0 引言

隨著科技的快速發展，人民生活水平的提高，人們對于醫學，生物學的關注度與日俱增。腦電圖（Electroencephalography，EEG）可能是最為突出和神秘的腦功能特征，伴隨認知、情感和行為過程的EEG振蕩活動則稱為事件相關振蕩（Event-Related Oscillations，ERO）。雖然EEG很早已經用來檢測和判斷腦功能，基于EEG的神經反饋也被用來改善腦功能和治療腦病，但是歷經80年的研究，EEG產生機制和功能意義仍然未能完全澄清，有待于去發現[1]。腦電信號里面包涵著大量的大腦活動的信息，通過對腦電圖的觀察、研究，可以更加詳細深入的了解大腦的工作狀態及其活動規律[2]。通過對大鼠的腦電信號進行分析處理，可以從腦電信號里面提取到可靠且具有分析價值的特征參數，據此反映大腦的工作狀態，這種方式已經成為了生理科學研究和臨床診斷的最重要的手段之一，對于臨床腦疾病診斷具有十分重要意義，同時也一直是國內外關于腦和神經科學研究的熱點問題[3]。

對大鼠腦電信號的分析，很多學者做了大量研究。黃獻等[4]采用功率譜熵對大鼠癇性發作預報開展了研究，采用常規的腦電圖儀和功率譜熵分析軟件對其進行腦電信號分析，獲取的功率譜圖不明顯，結論不明確。封洲燕[5]應用小波熵分析了大鼠腦電信號的動態變化特性，雖然小波熵在某些情況下具有更好的分辨能力，但當某頻譜帶內的平均功率值保持不變時，它不能辨別頻帶內曲線的平坦和陡峭，其評定結果不全面。本文通過自制的大鼠腦電信號實驗裝置和數據采集方法，運用功率譜法進行分析以期獲得直觀明確的實驗結果。

1 實驗與方法

1.1 實驗平臺

為了實現對于實驗對象進行有效的訓練，以及實驗數據精確的提取，搭建實驗平臺用于完成對實驗對象的訓練及原始數據的提取，見圖1。實驗平臺實現的功能是給實驗對象兩個不同的刺激，即一個聲音刺激（CS）和一個吹氣刺激（US）。在對實驗對象進行刺激的同時，通過導線將實驗對象的腦電信號連接到記錄儀上，實驗對象腦電信號的提取[6]。

圖1 實驗平臺模型

實驗平臺模型主要由4個部分組成：訓練箱、記錄儀、音響和US刺激控制器。訓練箱的功能是一個實驗對象被訓練，固定的場所；音響和US刺激儀的功能是實現對實驗對象的刺激；記錄儀實現的功能是通過導線連接實驗對象的前額葉，將實驗對象的腦電信號變化實時的記錄下來，完成原始數據的記錄。

（1）訓練箱：這是大鼠進行試驗的地方，將大鼠固定在箱子里面的泡沫上，用傳感器連接上大鼠的前額葉，CS刺激連接到大鼠的耳部，US刺激連接到大鼠的眼部，同時將引線分別引出與外圍器件相連，見圖2。

圖2 實驗訓練箱

（2）記錄儀：4個記錄儀可以完成對8個通道的記錄，這里需要記錄的分別是兩只大鼠的長時間的CS、US和前額葉的腦電波圖形，實現了將原始數據記錄下來[7]。

（3）US刺激控制器：在CS刺激進行的同時，進行兩種模型的刺激：實時追蹤模型（Trace模型）；延遲模型（Delay模型）。Delay刺激是在CS刺激的最末端，當聲音即將結束時給它一個US刺激；Trace刺激是在CS刺激結束之后，間隔一段時間馬上又對它進行一個US刺激。

（4）音箱：是對實驗對象大鼠進行CS刺激的工具。在醫學上，營造一個聲音環境，有助于加強實驗對象對刺激的記憶，即對眨眼刺激的學習能力的加強。

1.2 腦電信號的刺激模型

為了對腦電信號進行分析，首先應該找出它的一些特征，然后進行放大來研究。因此應該對實現對象進行一個刺激，使它反映在腦電波形圖上，然后將它的特征變化提取出來。對于腦電信號的提取，實驗采用眨眼刺激法，即通過對實驗對象眼睛進行吹氣，通過記錄儀連接，得到腦電信號的波形圖[8-10]，刺激模型結構，見圖3。

圖3 刺激模型結構圖

選取健康的實驗對象，給它一個CS刺激和US刺激，然后通過導線相連將實驗對象腦電波的變化輸出，由記錄儀記錄下來。針對CS刺激和US刺激的選擇建立兩種刺激模型即Trace模型和Delay模型。實驗對象的刺激時序圖，見圖4。

圖4 實驗對象的刺激時序圖

Trace模型是先給實驗對象一個3 kHz，85 dB的聲音信號CS刺激，使它持續250 ms。在CS刺激信號結束100 ms后，再加入一個持續100 ms的US刺激信號，這個信號的作用使US刺激儀對實驗對象的眼睛產生一個US刺激。

Delay模型是先給實驗對象一個3 kHz，85 dB的聲音信號CS刺激，使它持續350 ms，然后在CS刺激的最后階段，同樣產生一個信號觸發US刺激儀，對實驗對象眼睛產生一個US刺激。

Delay模型和Trace模型在醫學上的區別在于Trace模型增加了學習難度，因為音樂環境有助于實驗對象對于眨眼條件反射的學習能力的提高，而且Trace模型具有更長的反應時間[11]。

通過長時間反復的對實驗對象進行刺激后，即對實驗對象進行長時間的訓練后，實驗對象習得了眨眼條件發射。動物的腦電信號圖，一般情況下會與最開始的腦電信號圖發生一些較為明顯的區別[12]，見圖5。

從圖5可以看出，參加了訓練后實驗對象腦電波圖中產生了一些相當明顯的變化，在對應的CS刺激開始階段，刺激信號US開始階段，以及US馬上來臨之前，腦電信號都有了較為明顯的變化。為了能更加清楚的了解實驗對象的變化，需要對腦電信號進行特征提取，條件反射（Conditioned Ref ex，CR）作為隨訓練變化的特征，是被重點研究的對象，因此需要確定提取具體的特征信息。CR的峰幅度：CR對刺激的反映強烈程度，及對US刺激的反映。對于學習眨眼的實驗對象，峰幅度越大，認為它學的越好，CR習得率越高。CR的峰潛伏期：從CS開始階段到CR峰值的這段時間。對于學習眨眼的對象，在它還沒有學會之前，峰潛伏期為0，在它學會后，隨著訓練的進行，時間也越來越長，越接近US，它代表對眨眼能力掌握的熟練度越高，CR習得率越高。CR相對潛伏期：從CR峰值到US起點的這段時間，對于實驗對象，學會后，隨著訓練時間的加長，CR相對潛伏期會越來越短。對于峰潛伏期和相對潛伏期來說，CR學習成功率越高，峰潛伏期就越長，相對潛伏期就越短，CR還有可能和UR連在一起。CR起始潛伏期：從CR起點到US起點。對于實驗對象，也是CR起始潛伏期越小，就代表CR習得率越高。上面所有特征參數提取都是為了對CR習得率進行判斷及對學習能力的判斷，通過對這些統計數據分析可以判斷出它是否符合腦電信號的變化規律，從而檢驗是否成功實現了對腦電信號的提取與分析[13-15]。

圖5 參加訓練后的實驗對象腦電波模擬圖

1.3 功率譜法提取特征信息

采集獲取的腦電信號呈現的是時間與信號幅度的關系[16]，由于采集腦電信號的隨機噪聲較大，有效信號會淹沒在噪聲中，但僅從頻譜的角度來分析腦電信號也難以識別有效信號特征，因此采用功率譜分析法判斷腦電信號的特征信息是一種值得嘗試的分析手段。

從圖5可以看出，腦電信號與其它信號相比具有非線性、幅度更小、干擾信號更多的特點，為了能更好的對特征進行提取分析，采用自相關法（Blackman-Tukey法）來對采集的腦電信號進行功率譜估計，減少干擾信號的影響，突出腦電特征信號。自相關法功率譜估計的原理[17-19]：由Wiener-Khintchine定理，一個平穩隨機過程的功率譜為自相關函數的傅里葉變換：

其中，rxx(m)為平穩隨機過程的自相關函數。

從上式可知，在無限長序列上采用有限長窗口（矩形窗）截取，就可以獲得平穩隨機過程的功率譜的估計。

2 結果

實驗分別于訓練后的第9天和第11天采集實驗對象的肌電信號和腦電信號并開展功率譜分析，見圖6。從中可以看出當CS刺激信號發生時，動物的肌電信號（Electromyography，EMG）均有明顯的反應，且第11天檢測到的肌電信號說明動物在經過訓練后只要CS信號發生，肌電信號就會反應明顯（與圖6 (a) 訓練第9天的EMG信號對比），說明肌電信號的特征信息可以通過時域波形圖觀察。但從圖6中觀察到EEG信號沒有明顯的差異，說明僅從時域波形去觀察和分析腦電信號的特征信息不明顯且難以判斷。

圖6 Trace模型下肌電/腦電信號

Trace模型下第9天和第11天腦電信號的功率譜分析結果，見圖7。對比圖7 (a) 和 (b)兩幅功率譜圖，可以明顯看到訓練第11天后的腦電信號功率譜強于第9天的腦電信號功率譜，因此功率譜分析方法應用于腦電信號的特征信息提取是有效的且特征對比明顯。

3 結論

通過以上實驗分析，可以明確的得出以下結論：實驗原理采用經典的眨眼條件反射，刺激模型采用Trace模型和Delay模型，采集獲取的腦電信號呈現的是時間與信號幅度的關系，由于采集大鼠腦電信號的隨機噪聲較大，腦電信號的特征信息不明顯，因此應用功率譜法對采集到的腦電信號進行特征信息提取，結果表明通過功率譜圖可以特征信息明顯，分析結果符合腦電信號的規律，與實驗條件結果一致。

圖7 Trace模型下腦電信號的功率譜圖

[1] Adeli H,Zhou Z,Dadmehr N.Analysis of EEG records in an epi-leptic patient using wavelet transform[J].Neurosci Methods,2003,123(1):69-87.

[2] Yu G,Qi L,Sun Y,et al.Impulse noise removal by a nonmonotone adaptive gradient method[J].Signal Processing,2010,90:2891-2897.

[3] Yu G,Huang J,Zhou Y.A descent spectral conjugate gradient method for impulse noise removal[J].Applied Mathematics Letters,2010,23:555-560.

[4] 黃獻,宋治,鄭文.功率譜熵對大鼠癇性發作預報的評估意義[J].中南大學學報(醫學版),2009,34(8):776-780.

[5] 封洲燕.應用小波熵分析大鼠腦電信號的動態變化特性[J].生物物理學報,2002,18(3):325-330.

[6] 王曉,吳廣延,吳冰,等.CS-US非配對刺激易化豚鼠經典瞬目條件反射的建立[J].第三軍醫大學學報,2015,37(19):1960-1965.

[7] 韓堯,湯戎星,周瑾,等.基于微電極陣列的多通道電生理檢測系統的研制[J].生物醫學工程研究,2012,31(4):214-219.

[8] 林曦,胡波,萬子兵,等.一種簡易的豚鼠眨眼反應測量方法[J].第三軍醫大學學報,2008,30(24): 2340-2342.

[9] 季忠,秦樹人.時頻測試方法在腦電信號分析中的應用[J].重慶大學學報(自然版),2003,26(11):1-5.

[10] 薛年喜.MATLAB在數字信號處理中的應用[M].北京:清華大學出版社,2003: 252-288.

[11] 李穎潔,樊飛燕,陳興時.腦電分析在認知研究中的進展[J].北京生物醫學工程,2006,25(3):321-324.

[12] Vaughan TM,McFarland DJ,Schalk G,et al.The wadsworth BCI research and development program: At home with BCI[J].IEEE Trans Neural Syst Rehabil Eng,2006,14(2):229-233.

[13] 楊彬.基于腦-機接口的想象運動腦電信號的分析[D].蘭州:蘭州理工大學,2008.

[14] Yuan H,He B.Brain-computer interfaces using sensorimotor rhythms: current state and future perspectives[J].IEEE Trans Biomed Eng,2014,61(5):1425-1435.

[15] McFarland DJ,Krusienski DJ,Sarnacki WA,et al.Emulation of computer mouse control with a noninvasive brain-computer interface[J].J Neural Eng,2008,5(2):101-110.

[16] Hwang HJ,Kim S,Choi S,et al. EEG-based braincomputer interfaces: a thorough literature survey[J].Int J Hum Comput Interact,2013,29(12):814-826.

[17] Friedrich EVC,Scherer R,Neuper C. Stability of event-related (de-)synchronization during brain-computer interface-relevant mental tasks[J].Clin Neurophysiol,2013,124(1):61-69.

[18] Pfurtscheller G, Lopes da Silva FH.Event-related EEG/MEG synchronization and desynchronization: basic principles[J].Clin Neurophysiol,1999,110(11):1842-1857.

[19] Gouy-Pailler C,Congedo M,Brunner C,et al.Nonstationary brain source separation for multiclass motor imagery[J].IEEE Trans Biomed Eng,2010,57(2):469-478.

Analysis of Characteristic Signal for EEG Based on Power Spectrum in Rats

ZHANG Hui-min1,2, SUI Jian-feng2
1. Department of Communication, Chongqing College of Electronic Engineering, Chongqing 401331, China; 2. Experimental Center of Basic Medicine, College of Basic Medical Sciences, Third Military Medical University, Chongqing 400038, China

With the rapid development of technology, analyzing EEG (electroencephalogram) plays an essential role in modern biological and medical research. EEG, as the most mysterious organ indicated signal, contains a large amount of physiological and disease information. Therefore, its research for study of life sciences has signif cant meaning. With reference to classical eye-blink conditioning experiment, an experiment platform was built in this paper. The experiment took the method of eye-blink stimulation, and the stimulation model used real-time trace model and delay model. Power spectrum was used to extract, analyze and compare the EEG features in rats. The experiment showed that the analysis results of EEG with power spectrum were in accordance with the law of the EEG signal and also were consistent with the manually-setting results.

electroencephalogram; power spectrum; characteristic signal; eye-blink conditioning

R338.8

A

10.3969/j.issn.1674-1633.2016.10.013

1674-1633(2016)10-0044-04

2016-06-06

2016-07-03

國家自然科學基金（81171249）。

張慧敏，副教授，主要研究方向智能信號處理，模式識別。

通訊作者郵箱：zhuomi99@126.com