基于皮爾遜最優電極選擇的ADHD患者腦電特征提取及分類研究

鄒 凌，吳 帆，畢 卉，田博帆，宋志偉，王蘇弘

基于皮爾遜最優電極選擇的ADHD患者腦電特征提取及分類研究

鄒 凌1,2，吳 帆1,2，畢 卉1,2，田博帆1,2，宋志偉1,2，王蘇弘3

(1. 常州大學信息科學與工程學院，江蘇 常州 213164；2. 常州市生物醫學信息技術重點實驗室，江蘇 常州 213164；3. 蘇州大學附屬第三醫院腦科學研究中心，江蘇 常州 213003)

事件相關電位(ERP)可用于注意缺陷多動障礙兒童(ADHD)和正常兒童的腦電特征提取與分類。首先，采用賭博任務范式，采集2類兒童的腦電信號；其次，基于皮爾遜相關系數算法選擇最優電極，并預處理最優電極腦電信號；然后，提取預處理腦電信號的時域特征(均值、方差、峰值)和頻域特征(Theta波段功率、Alpha波段功率)；最后，利用傳統分類方法支持向量機(SVM)、自適應增強(AdaBoost)、自舉匯聚法(Bagging)、線性判別式分析(LDA)、反向傳播(BP)和組合分類器的分類方法(LDA-SVM，BP-SVM)完成對2種腦電信號的分類。研究結果表明，傳統方法BP分類器的分類準確率可達80.52%，組合分類器BP-SVM的分類準確率可達88.88%。組合分類方法能提高ADHD兒童的分類準確率，為基于腦機接口技術的ADHD神經反饋康復治療提供技術支持。

事件相關電位；皮爾遜相關系數；賭博任務范式；腦電分類；腦機接口

在神經科學研究中，腦電研究一直處于非常重要的位置[1]。基于卷積神經網絡實現的運動想象腦電分類及人與機器人交互應用研究發現，該方法能夠對運動想象腦電數據進行較精確的分類[2]。目前，已經有學者將腦機接口分類技術應用到注意缺陷多動障礙兒童(attention deficit hyperactivity disorder，ADHD)計算機輔助診斷領域。?ZTOPRAK等[3]提出了一種基于事件相關電位記錄的時頻域特征來區分ADHD組和非ADHD組的新分類方法，訓練集分類準確率達到98%。DU等[4]提出了一種基于判別子網絡和圖核PCA (principal component analysis)的ADHD分類方法，能使分類準確率達到94.91%。

分類算法的實時性能是腦機接口技術的關鍵，通過減少電極數量可提高算法運行效率，因此，電極選擇對腦機接口應用具有重要意義。目前，WANG等[5]利用共空間模式(common spatial pattern，CSP)的方法得到腦電信號的分布向量，將空間模式和任務關聯，通過空間模式向量和導聯的最大系數的關系對電極進行優化選擇。ARVANEH等[6]使用了稀疏共空間模式(sparse common spatial pattern，SCSP)算法，其是在分類準確率約束下對最小信道數進行優化，通過去除噪聲和不相關的信道進行電極優化選擇。此外，LI等[7]使用主成分分析方法對每個被試的電極對應的數據集進行計算，然后根據不同的任務刺激的發生率進行導聯的 選擇。

已經有研究表明ADHD兒童存在執行功能缺陷[7]。ZELAZO和MüLLER[8]最早提出將執行功能分為“冷”和“熱”2種類型，并認為“冷”執行功能更多地和背外側前額葉皮層相關，“熱”執行功能與腹內側前額葉和眶額葉皮質相關。CASTELLANOS等[9]認為，“熱”執行功能關注的是情感和動機的加工。ADHD兒童在“熱”執行功能上的缺陷使其在情感性決策上產生障礙，無法做出正確的決策或做出不利于自己的風險決策。

“熱”執行功能研究通常采用賭博任務范式。CRONE等[10]通過冒險性決策賭博任務實驗，證實ADHD兒童在賭博任務上的失敗是由于其對獎勵的即刻敏感，不能延遲滿足，對過“熱”的情感動機無法進行有效抑制，即動機抑制缺陷。MUSHTAQ等[11]通過實驗研究表明，執行功能可能影響到事件相關腦電位的反饋處理，如決策性能的調整需要考慮反饋相關負波。

本研究使用愛荷華賭博任務范式采集ADHD兒童和正常兒童的腦電信號，并利用傳統分類方法和分類組合方法對腦電信號時頻特征進行分類比較，研究結果為基于腦機接口技術的ADHD神經反饋康復治療提供技術支持。

1 方法

1.1 被試

所有被試均由常州市第一人民醫院經臨床確診后提供，共篩選出符合試驗條件的ADHD兒童21例，年齡(6.14±1.36)歲；健康兒童21例，年齡(6.42±1.51)歲。ADHD組和正常對照組之間的年齡差異無統計學意義(>0.05)。

本實驗研究通過了常州市第一人民醫院倫理委員會批準。所有受試者均由監護人簽署了知情同意書并自愿參加。

1.2 實驗設備

設備采用美國EGI公司128導聯電極帽，標準10-10腦電采集系統，采樣頻率為500 Hz，電極阻抗在80 kΩ以下，參考電極使用平均參考。

1.3 實驗范式

實驗范式來自經典的IowGambling任務范式。實驗范式的內容如圖1所示，實驗開始，隨著提示語的出現，屏幕上亮出2張牌，左邊為圓點花紋牌，右邊為垂直花紋牌，且2張牌分別對應于按鍵盒的“1”號和“4”號按鍵，每次試驗可以隨機選擇其中的1張牌。當按下“1”號按鍵選擇左邊圓點花紋牌時，牌面翻轉出現包含有2個笑臉的圖片；當按下“4”號按鍵選擇右邊垂直花紋牌時，牌面翻轉出現包含有1個笑臉的圖片；笑臉圖片出現后，緊接著會隨機出現另1張圖片(包括哭臉圖片或空白圖片)。其中左邊2個笑臉圖片出現后緊接對應的圖片更傾向于壞的結果(失分多)，對應圖片有4種可能，包括：有4個哭臉、5個哭臉、6個哭臉的圖片或空白圖片；而相反右邊一個笑臉圖片出現后緊接對應的圖片更傾向于好的結果(得分多)，對應圖片有2種可能，包括：1個哭臉的圖片或空白圖片。

實驗采用加分制，翻牌后的圖片決定得分結果。如果左邊2個笑臉圖片之后出現的是空白圖片則加2分，若出現的是有4個哭臉的圖片則減2分，若出現的是有5個哭臉的圖片則減3分，若出現的是有6個哭臉的圖片則減4分；如果右邊1個笑臉圖片之后出現的是空白圖片則加1分，若出現的有1個哭臉的圖片則不加分。每次圖片呈現結束后均會有分數的統計，并返回分數值。被試會對得分反饋結果，給出對應的腦電反饋。

圖1 實驗范式

1.4 最佳電極選擇

實驗采用對比統計的方式，選擇出具有代表性的最佳電極，得到對應的導聯數據，可達到對數據進行降維的目的。電極選擇方法主要分為3個步驟：首先，依次選擇2個被試的相同編號電極，計算出電極對應腦電間的皮爾遜相關系數值；其次，根據皮爾遜相關系數值大小，將全部被試依次進行比較；最后，統計出相關系數值最大且占有率最高(>90%)的電極作為每個被試的最佳電極。電極選擇方法的原理圖，如圖2所示。

方法依據的原理是：同一導聯的腦電信號經多次疊加平均后可得到事件相關腦電位，因此同一類型的被試組在同一種刺激模式下，誘發出的腦電信號在相同編號導聯間應具有一定相似性。而皮爾遜相關系數值大小可用于衡量2個導聯腦電信號間的相似性(如：趨勢、線性相關性等)程度，其值介于–1~1之間，數值越大表示相關性越高，反之腦電相關性較低的皮爾遜相關系數值也就越小[12]。皮爾遜相關系數的計算如下

其中，X和Y分別對應了通過某一電極所采集的時間序列，即離散變量；N為單個離散變量的總長度；ρx,y為所求的相關系數。

此外，實驗過程中，為了避免外在因素干擾而導致的腦電不相關性錯誤，同時為了確保能夠找出確定的最佳電極，在電極選擇方法中考慮增加一個鄰近電極相互比較的過程，即：處在同一腦區內的所有電極，及各自對應的相鄰電極，其ERP具有相似性。同時，實驗根據皮爾遜相關系數值對應的ERP相似性程度來進行劃分，使用打分的方式來判斷和選擇電極。具體的劃分情況見表1。

表1 腦電相關性自定義劃分

1.5 腦電信號預處理

實驗采用EEGLAB工具箱預處理數據，具體操作步驟包括：低通濾波、高通濾波(0.1~30.0 Hz)、分段(–200~1000 ms)、人工偽跡檢測、壞通道替換、疊加平均、參考點轉換及基線校正(–200~0 ms)。經過濾波后的信號如圖3(a)所示，經過偽跡檢測、壞通道替換處理后的信號如圖3(b)所示。

圖3 腦電信號預處理

圖3(a)中的經過濾波后的信號中有大量的偽跡和信號基線漂移問題；圖3(b)通過偽跡檢測、壞通道替換去除了信號中的偽跡、干擾。預處理后的信號可用于后續的信號特征提取。

1.6 特征提取

首先，實驗通過電極選擇方法得到最佳電極，并選取最佳電極對應的潛伏期腦電。然后，從預處理的腦電信號中提取出均值、方差、峰值作為時域特征，使用傅里葉變換對時間序列進行頻譜估計，通過計算傅里葉變換振幅譜的平均值，提取Theta波段功率、Alpha波段功率作為頻域的特征。最后，將時頻特征用于分類。

1.7 分類研究

本研究使用支持向量機(support vector machine，SVM)、自適應增強(adaptive boosting, AdaBoost)、自舉匯聚法(bootstrap aggregating，Bagging)、線性判別式分析(linear discriminant analysis，LDA)、反向傳播(back propagation，BP)常規方法對腦電特征進行分類。首先將特征數據按照7∶3的比例劃分為訓練集和測試集；之后將訓練集再劃分為訓練集和驗證集，使用10折交叉驗證確定最佳模型；最后在測試集上驗證分類準確率，見表2。

表2 數據集

常規的分類算法各有優缺點，本研究將2種常規分類器的優勢相結合，提出了新型組合分類器:LDA-SVM和BP-SVM，用于提高分類ADHD兒童與正常兒童腦電的準確率和分類效率。

(1) LDA-SVM。LDA又稱為Fisher線性判別，屬于監督學習判別方法，能夠將高維腦電特征數據投射至更低維的矢量空間，達到對腦電特征進行降維處理的目的[13]。根據Fisher線性判別的思想，可通過求解最優化問題找出腦電特征數據的最佳投影矩陣，即

其中，()為Fisher準則，(·)試計算矩陣跡的函數，和分別為類間和類內散布矩陣。SVM方法則是通過非線性變換將腦電特征數據投射至高維特征空間，手動設定的參數少，非常便于使用。

組合分類器的步驟為：①使用LDA確定高維腦電特征數據的最優投影矩陣，對腦電特征進行降維處理；②將降維后的腦電特征矩陣輸入SVM分類器，預測待分類數據。這種組合分類器通過LDA減少了部分腦電特征的空間，縮短了SVM的訓練時長[14]。

(2) BP-SVM。BP網絡改變了傳統網絡結構，其利用誤差反向傳播方式來調整神經元的權重，解決了之前非線性分類的問題。BP神經網絡主要包含3個部分：輸入層、隱含層和輸出層。BP網絡的每一層都會通過對比期望值計算出誤差，然后將誤差反向傳播并逐層傳遞，并且同時不停地修改每層的權重。

BP-SVM組合分類器原理也與LDA-SVM類似，方法步驟如下：①應用BP神經網絡提取特征，選擇對分類ADHD兒童和正常兒童重要的腦電特征；②將經過選擇后的腦電特征輸入SVM分類器進行分類。該組合分類器方法避免了傳統機器學習分類器對ADHD兒童和正常兒童腦電分類過程中的過學習、模型選擇等問題。

2 實驗結果

2.1 事件相關電位分析

研究采用基于賭博任務的“熱”執行功能范式，根據電極選擇方法，統計發現相關性最強的最佳電極主要位于前額葉和頂枕葉2個腦區，代表電極分別為8導聯和74導聯。

實驗使用最佳電極，將所有被試組ADHD兒童和正常兒童的前額葉與頂枕葉腦區代表性電極對應的腦電經疊加平均后得到ERP波形，如圖4所示。圖4(a)和(b)分別為被試在失分較大的刺激模式下，前額葉腦區第8導聯和頂枕葉腦區第74導聯的ERP波形顯示結果。圖4(c)和(d)分別為被試在失分較少的刺激模式下，前額葉腦區第8導聯和頂枕葉腦區第74導聯的ERP波形顯示結果。從圖中可以看出，ADHD兒童和正常兒童在失分較大的情況下，其任務腦電均有較大振幅的反饋相關負波出現。而在失分較少時，其任務腦電同樣會出現反饋相關負波，但振幅較小。實驗說明，無論被試得分多少，ADHD兒童的任務腦電FRN均要比正常兒童更負。實驗結果與已有研究結果相一致，FRN振幅要比正常組顯得更大是由于ADHD兒童存在執行功能缺陷，在“熱”執行賭博任務時往往會做出不利于自己的風險決策[15]。

2.2 事件相關電位分類結果

本研究基于賭博任務的“熱”執行功能范式提取了腦電時域特征(均值、方差、峰值)和頻域特征(Theta波段功率、Alpha波段功率)。

對于提取的時頻特征，首先使用傳統分類器SVM、LDA、BP、Adaboost、Bagging分別對其進行分類，分類結果見表3。根據傳統分類方法結果，可以發現BP算法的分類準確率最高，時域均值特征分類的準確率達到了81.35%；頻域Alpha波段功率特征分類的準確率達到80.52%。

然后，將時域和頻域的特征進行組合，利用新型組合分類器的方法(LDA-SVM、BP-SVM)對時頻組合特征進行分類，分類結果見表3。從表中可以看出BP-SVM分類器的準確率為83.33%，而LDA-SVM分類器的準確率最高，達到88.88%。也說明分類組合方法用于多特征分類時具有明顯優勢，其分類正確率高于單特征的傳統分類方法。

圖4 “熱”執行前額葉和頂枕葉腦區潛伏期ERP波形

表3 “熱”執行功能分類結果(%)

最后，比較各個分類器的平均準確率和執行效率，見表4。采用頻域特征的傳統分類器算法性能要低于采用時域特征的算法性能(機器配置：i3-4170 3.7 Hz，Windows7 64，4 G內存，顯卡：HD graphics 4400)，傳統分類器算法耗時較高，但同類特征間的算法耗時具有不確定性，組合分類器算法的性能比較適中。實驗表明：分類器SVM、LDA、BP、Adaboost、Bagging需要手動選擇腦電特征，并且其特征較為單一。而改進后的組合分類器可用于多特征的選擇分類，特征選擇無需人工干預，能自動學習特征，且準確率比單特征分類準確率更高。組合分類器中LDA-SVM分類準確率達到了88.88%，執行效率較BP-SVM耗時更少，更適用于本實驗。

表4 “熱”執行功能分類器的執行效率(s)

3 結束語

傳統分類方法在腦電時域特征和頻域特征上的分類結果差異明顯，且受樣本量和數據質量的影響較大。一方面，在少量樣本的情況下，可能造成偶然性較大。使用單特征進行分類會造成分類準確率的不穩定，提取多個特征對數據進行表征，可以進一步降低分類過程中帶來的風險。而在數據質量方面，可以考慮選擇最佳電極，在達到數據降維的同時，得到有代表性且質量較高的腦電數據。在實驗中發現，單特征分類存在不穩定性，單個數據的分類的準確性方差較大，而新的分類組合方法，能夠使其達到一個穩定的數值，方差較小，而且算法性能較好，其準確率較高。

在相同的配置下(機器配置：i3-4170 3.7 Hz，Windows7 64，4 G內存，顯卡：HD graphics 4400)，常規的分類方法需要手動選擇特征，只能對單一類型的特征進行分類，比較耗時。使用常規的SVM、LDA、BP分類器對單一類型特征進行分類，最低耗時也需360 s。而使用組合分類器可以對多類特征進行選擇分類，且分類效率更高，其中BP-SVM對所有5類特征進行選擇分類耗時為430 s，LDA-SVM耗時更少為395 s。

改進的組合分類方法可以自動學習特征，其包含更多的隱含信息，有助于提高分類準確率。但是組合分類方法是基于大樣本數據建立的統一訓練模型，更適合處理大樣本數據，而ADHD兒童腦電數據的采集和獲取有一定困難，建立大樣本ADHD兒童腦電數據庫是目前科研的一個重要任務。

本研究采用基于賭博任務的“熱”執行功能范式，使用皮爾遜相關系數進行電極選擇，并通過分類組合算法結合腦電多特征進行分類，與各傳統分類器在腦電單特征分類方面進行對比。LDA-SVM方法將分類準確率提升至88.88%，雖然比目前最新的結論有所不足，但從腦機接口的角度給出了目前能達到的最優解，為后續腦電采集設備的簡化提供了理論依據。研究初步認為，分類組合方法有助于ADHD兒童的多特征分類，為ADHD兒童個體診斷技術提供了可能，而且能夠有效地使用在基于腦機接口ADHD神經反饋康復，達到較好的實時反饋效果。

[1] 鄒凌, 嚴永, 楊彪, 等. 基于同步EEG-fMRI采集的情緒認知重評數據特征融合分析研究[J]. 自動化學報, 2016, 42(5): 771-781. ZOU L, YAN Y, YANG B, et al. Feature fusion analysis of simultaneously recorded EEG-fMRI in emotion cognitive reappraisal[J]. ACTA Automatica Sinica, 2016, 42(5): 771-781 (in Chinese).

[2] 程時偉, 周桃春, 唐智川, 等. CNN實現的運動想象腦電分類及人-機器人交互[J]. 軟件學報, 2019, 30(10): 3005-3016. CHENG S W, ZHOU T C, TANG Z C, et al. Classification of motor imagination EEG and human-robot interaction based on CNN[J]. Journal of Software, 2019, 30(10): 3005-3016 (in Chinese).

[3] ?ZTOPRAK H, TOYCAN M, ALP Y K, et al. Machine-based classification of ADHD and nonADHD participants using time/frequency features of event-related neuroelectric activity[J]. Clinical Neurophysiology, 2017, 128(12): 2400-2410.

[4] DU J Q, WANG L P, JIE B, et al. Network-based classification of ADHD patients using discriminative subnetwork selection and graph kernel PCA[J]. Computerized Medical Imaging and Graphics, 2016, 52: 82-88.

[5] WANG Y, GAO S, GAO X. Common spatial pattern method for channel selelction in motor imagery based brain-computer interface[C]//2005 IEEE Engineering in Medicine and Biology 27th Annual Conference. New York: IEEE Press, 2006: 5392-5395.

[6] ARVANEH M, GUAN C T, ANG K K, et al. Optimizing the channel selection and classification accuracy in EEG-based BCI[J]. IEEE Transactions on Biomedical Engineering, 2011, 58(6): 1865-1873.

[7] LI W, ZHOU T, ZOU L, et al. Identification of attention deficit/hyperactivity disorder in Children using multiple ERP features[J]. Current Bioinformatics, 2018, 13(5): 501-507.

[8] ZELAZO P D, MüLLER U. Executive function in typical and atypical development[J]. Child Neuropsychology, 2002, 445-469.

[9] CASTELLANOS F X, SONUGA-BARKE E J S, MILHAM M P, et al. Characterizing cognition in ADHD: beyond executive dysfunction[J]. Trends in Cognitive Sciences, 2006, 10(3): 117-123.

[10] CRONE E A, RICHARD JENNINGS J, VAN DER MOLEN M W. Sensitivity to interference and response contingencies in attention-deficit/hyperactivity disorder[J]. Journal of Child Psychology and Psychiatry, 2003, 44(2): 214-226.

[11] MUSHTAQ F, BLAND A R, SCHAEFER A. Uncertainty and cognitive control[J]. Frontiers in Psychology, 2011, 2: 249.

[12] GAO J, WANG W, ZHANG J. Explore interregional EEG correlations changed by sport training using feature selection[J]. Computational Intelligence and Neuroscience, 2016, 30: 1-10.

[13] SUBASI A, ISMAIL GURSOY M. EEG signal classification using PCA, ICA, LDA and support vector machines[J]. Expert Systems with Applications, 2010, 37(12): 8659-8666.

[14] ZHANG L, ZHOU W D. Fisher-regularized support vector machine[J]. Information Sciences, 2016, 343-344: 79-93.

[15] GONG J B, YUAN J J, WANG S H, et al. Feedback-related negativity in children with two subtypes of attention deficit hyperactivity disorder[J]. PLoS One, 2014, 9(6): e99570.

Study on the extraction and classification of EEG characteristics in ADHD patients based on Pearson’s optimal electrode selection

ZOU Ling1,2, WU Fan1,2, BI Hui1,2, TIAN Bo-fan1,2, SONG Zhi-wei1,2, WANG Su-hong3

(1. Faculty of Information Science & Engineering, Changzhou University, Changzhou Jiangsu 213164, China; 2. Changzhou Key Laboratory of Biomedical Information Technology, Changzhou Jiangsu 213164, China; 3. Brain Science Research Center, the Third Affiliated Hospital of Suzhou University, Changzhou Jiangsu 213003, China)

Event-related potential (ERP) can be used for EEG feature extraction and classification for children with attention deficit hyperactivity disorder (ADHD) and normal children. Firstly, the EEG signals of two kinds of children were collected by the gambling task paradigm. Secondly, the optimal electrode was selected based on the Pearson correlation coefficient algorithm, and the optimal electrode EEG signal was preprocessed. Then, time domain features (mean, variance, peak) and frequency domain features (Theta band power, Alpha band power) of pre-processed EEG signals were extracted. Finally, traditional classification methods (Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Bootstrap Aggregating (Bagging), Linear Discriminant Analysis (LDA), Back Propagation (BP) and combined classifier classification methods (LDA-SVM, BP-SVM) were used to complete the classification of two kinds of EEG signals. The results demonstrate that the classification accuracy of traditional BP classifier was up to 80.52% and that of the combined classifier was up to 88.88%. The combined classification method can improve the classification accuracy for ADHD children and provide technical support for ADHD neurofeedback rehabilitation treatment based on the BCI technology.

event-related potential; Pearson correlation coefficient; gambling task paradigm; EEG classification; brain-computer interface

TP 183

10.11996/JG.j.2095-302X.2020030417

A

2095-302X(2020)03-0417-07

2019-11-26；

2020-02-23

江蘇省科技廳社會發展項目(BE2018638)；江蘇省“333高層次人才培養工程”項目；常州市社會發展項目(CE20195025)；常州大學科研項目(ZMF18020322)；江蘇省教育廳首批中外合作辦學平臺聯合科研項目；江蘇省研究生培養創新計劃項目(KYCX20_2552，KYCX20_2559)

鄒 凌(1975-)，女，遼寧遼陽人，教授，博士，碩士生導師。主要研究方向為生物電信息處理與模式識別、自動控制。 E-mail：zouling@cczu.edu.cn