基于共空間模式和支持向量機算法的食物偏好腦電分類研究

李春雨 何 峰 綦宏志 郭曉藝 陳 龍 明 東

1(天津大學醫學工程與轉化醫學研究院，天津 300072)2(天津大學精密儀器與光電子工程學院， 天津 300072)

引言

食物是自然界中一種獨特的存在，具有獎賞和享樂屬性[1]，是人類賴以生存的基礎，對人類而言至關重要。 個體對不同食物的喜好程度存在差異，經過較長時間的積累，喜好差異逐漸趨于穩定并表現出個性化，即食物偏好[2]，一定程度上反映了個體未來的飲食傾向[3]。 事件相關電位技術(event related potential， ERP)作為探究認知心理學的常見工具，近年來得到了廣泛的研究和應用[4-5]。 通常來說，美味可口的食物不僅讓人心情愉悅，而且會在大腦中誘發出不同于一般食物的信號，促使大腦做出更進一步的選擇，這些信號的產生可能與大腦的注意選擇[6]、獎賞[7]和抑制控制[8]等功能有關。研究食物相關的腦電，更有利于了解大腦對食物的選擇。

2019年，Nachie 等[9]發現，在觀察食物圖片時，食物偏好與大腦振蕩節律存在關聯。 與不喜歡的食物刺激相比，喜愛食物的視覺刺激表現出β 頻帶(13 ～25 Hz)的事件相關去同步化(event-related desynchronization，ERD)。 這一發現表明，個體的食物偏好與進食相關的大腦振蕩活動相關。 2020年，Anoushiravan 等[10]研究了催眠提示對食物偏好的調控作用，并記錄食物偏好改變前后的ERP 信號，希望通過催眠提示增加對蔬菜和水果的渴望，以誘導個體對低熱量食物的偏好。 與催眠前相比，經過催眠引導后受試者對低熱量食物圖片的選擇有所增加，ERP 波形上高熱量食物和低熱量食物之間的P1幅值差異被抵消，低熱量食物引起的晚期正電位(late positive potential， LPP)幅值有所增加，表明腦電信號隨著食物偏好的改變而改變。

盡管食物偏好與腦電信號的研究不少，但對于食物偏好腦電的分類研究尚少。 如果能將不同食物偏好所誘發的腦電信號進行特征提取并分類，那么利用腦電信號對食物偏好分類就會成為可能。以往的食物評價推薦系統大多數以問卷、量表等作為計算依據，是人的一種主觀選擇。 這種主觀選擇的局限性在于，人的精神狀態易受多因素的干擾，如周圍環境、生理狀態等。 對于某些特殊人群，如不愿表達的厭食癥患者來說，了解其食物偏好幫助改善其生活質量極為重要。 腦電作為一種電生理信號，更具客觀性，據此，本研究研究不同食物偏好的腦電信號差異，并對采集到的兩類腦電信號進行分類識別，期望根據腦電信號建立一種食物偏好的分類識別方法，為肥胖干預、厭食治療或食物推薦等提供一定的指導和幫助。

1 材料與方法

1.1 實驗參與者

實驗共招募了20 名健康在校大學生參與實驗，有2 名受試者因有效實驗數據過少而被排除，最終收集到18 名受試者的腦電數據(5 女，13 男)，年齡(24.05±1.00)歲。 受試者均為右利手，視力為正常視力或經過矯正后的視力，無心理障礙和神經疾病史。 本次實驗通過了本校倫理委員會的審查，所有受試者在實驗前均認真閱讀了注意事項并簽署了知情同意書。

1.2 實驗設計

有研究指出，在饑餓狀態下，個體對食物刺激的注意力得到增強[11]，更有利于食物喜好的區分，故本實驗時間段安排在11:00 ～12:00，所有受試者均要求實驗開始前4 h 除了水，禁止進食其他食物。受試者到達實驗室后，需要先對5 類常見食物(壽司、蛋糕、漢堡、披薩、火鍋)進行1 ～10 的量表評分，每項的得分要求不同于其他項。 根據受試者的評分，挑選出分數最高者和最低者作為受試者喜愛程度高和喜愛程度低的食物。

實驗采用經典的oddball 范式[12]，靶刺激與非靶刺激的比例為1 ∶4，并用偽隨機控制靶刺激不連續出現。 為了誘發得到不同的ERP 信號，每名受試者分別參加2 組oddball 實驗完成腦電采集任務，其中一組實驗的靶刺激與非靶刺激為喜愛程度高食物圖片和汽車圖片，另一組實驗的靶刺激與非靶刺激為喜愛程度低食物圖片和汽車圖片，2 組不同靶刺激實驗的先后順序在受試者中進行了平衡。 在oddball 范式中，每個試次由500 ～700 ms 的十字注視中心、800 ms 的圖片刺激和500 ms 的空白組成。為了提高受試者注意力，實驗要求受試者看到靶刺激時立即進行按鍵反應，實驗范式如圖1 所示。

圖1 實驗范式設計(20%靶刺激，80%非靶刺激)Fig.1 Design of oddball task in this experiment(20%target stimuli， 80%non-target stimuli).

在一組oddball 實驗中，每一類靶刺激均由13張不同的圖片組成，每張出現4 次，實驗時長約10 min，一組實驗可收集到52 個試次的腦電數據，2組實驗共收集到104 個單試次腦電數據。 實驗中的圖片為全彩圖片，在亮度、對比度、尺寸和分辨率等圖片相關屬性上沒有顯著差異。 顯示器采用1 920像素× 1 080 像素分辨率，60 Hz 刷新率的設置，受試者距離屏幕距離約60 cm，視角約為7° × 7° 。

1.3 腦電采集與統計分析

腦電采集設備使用美國商業設備Neuroscan，電極陣列參照國際10/20 電極系統進行布置。 采集腦電時候使用CZ 和CPZ 中間點位作為參考，接地電極位于前額，采樣率設置為1 000 Hz，電極阻抗均在20 kΩ 以下。 隨后使用Matlab R2014a 軟件進行離線數據處理，腦電數據降采樣到200 Hz，重參考到兩側乳突，進行0.1 ～30 Hz 帶通濾波和50 Hz 陷波處理，提取刺激前200 ms 到刺激后800 ms 為一個試次數據，取前200 ms 平均值作為基線。 通過獨立成分分析(independent component analysis， ICA)去掉眼電偽跡[13]，同時剔除幅值過大的試次，每名受試者剔除的數據不超過總試次的5%。

有研究表明，食物刺激在頂區有較強的腦電響應[14]，因此本研究選取枕區P3、PZ 和P4 導聯進行研究，選擇P1， P2， P3， LPP 作為腦電感興趣成分。除了LPP 取平均值外，其他成分均取局部峰值，所選成分的具體時間窗和幅值定義如表1 所示。 在SPSS Statistics 22 軟件環境下，使用配對t檢驗分析方法對兩類食物刺激下各成分的幅值大小進行統計學分析。

表1 ERP 成分的選擇Tab.1 Selection of time window and amplitude for each ERP component

1.4 特征提取

在腦電信號的特征提取上，共空間模式(common spatial pattern， CSP)常用于腦電信號的分類處理[15]，例如左右手運動想象信號，并取得較好的分類效果。 本研究選取共空間模式作為特征提取方法。 共空間模式作為一種2 分類算法，其基本原理是利用矩陣的對角化，求解一組最優空間濾波器，將原始信號經過該濾波器進行投影，使兩類信號的方差差異最大，得到具有較高區分度的特征向量。

對于收集到的2 類腦電數據H和L，設其樣本個數分別為n1、n2。

首先，分別計算每一類腦電數據的平均協方差矩陣:

式中，trace( )表示計算矩陣的跡。

接著計算2 類信號的協方差矩陣之和R:

對矩陣R進行特征值分解，求解白化矩陣P:

式中，U是矩陣Λ的特征向量矩陣，Λ是對應的特征值構成的對角陣，且特征值為降序排列。

隨后使用白化矩陣P對R1和R2進行變換，得到矩陣S1和S2:

對矩陣S1和S2進行特征值分解，可求解特征向量B:

式中，兩矩陣分解得到的對角矩陣滿足Λ1＋Λ2＝I。 由于兩類矩陣的特征值相加總和為1，當S1有最大特征值時，另一個類別S2有最小的特征值，因此可以利用此特點解決分類問題，最后計算得到空間濾波器W:

本研究實驗下的單試次腦電數據矩陣為xe×t，e代表導聯數，t代表數據點數。 對空間濾波器矩陣W來說，顯著的特征信息主要集中在頭部和尾部[16]，故取前m行和后m行( 2m≤e)作為特征提取矩陣W2m×e。 對于每一個原始數據xe×t，通過空間濾波器W2m×e進行投影，得到矩陣Z2m×t:

定義特征向量F為1×2m的向量:

式中，c ＝1，2，3，…，2m，zc表示矩陣Z2m×t的第c行，var( )表示計算方差。

1.5 分類識別

在小樣本的2 分類問題上，支持向量機(support vector machines， SVM)擁有較好的表現，故本研究選取支持向量機作為特征提取后的分類識別算法[17]。 為了驗證數據的可分性，本研究采用“留一法”對腦電數據進行交叉驗證。 其中，“留一法”中的“一”，并非一般意義上的單試次數據，而是一簇數據。 理想狀態下，每名受試者擁有兩類腦電數據，由喜愛程度高的食物和喜愛程度低的食物誘發得到，而每一類的腦電數據由13 張同一類的圖片，每張出現4 次誘發得到。 將一張圖片出現4 次得到的實驗數據稱為一簇，相當于每名受試者有26 簇數據，每一簇數據里包含4 個單試次ERP 信號。 兩類標簽分別使用1 和-1 進行標記。

在分類識別階段，將腦電數據分為訓練集和測試集后，利用訓練集求解空間濾波器W并訓練分類器M，再將測試數據通過訓練數據計算得到的空間濾波器W投影，提取特征，送入訓練好的分類器M進行預測。 訓練集的具體提取過程為:隨機在每一簇中抽取s(s＝1，2，3，4)個樣本，取0 ～800 ms 的ERP 數據，將抽取出來的數據當做新數據集，在該數據集上進行分類識別，并使用“留一簇法”進行交叉驗證。 記highi和lowi分別為第i個樣本通過分類模型后兩類標簽的決策值，使用決策值加權求和的方法求該簇的總識別標簽label:

這樣做的好處在于能更充分地利用標簽決策值的權重，減少隨機預測的發生。 實際上，兩類標簽決策值之和相等情況極少出現，若出現該種情況，則將該簇預測標簽記為0，表示識別結果錯誤，其余情況下取加權和較大者為該簇的標簽識別結果。 將簇預測結果與真實標簽對比計算正確率，得到該次抽取下26 簇腦電的分類正確率。 每種抽取方法下，重復抽取50 次計算分類識別正確率，取50次平均的結果。 使用配對t檢驗分析方法對CSP ＋SVM 和SVM 分類得到的正確率進行統計學分析。

2 結果

2.1 ERP 結果

圖2 顯示的是18 名受試者在P3、PZ 和P4 電極上的平均ERP 波形，表2 顯示的是ERP 各成分的幅值結果。 配對t檢驗結果表明，不同喜愛程度的食物刺激引起的腦電響應在晚期成分P3 振幅上存在顯著性差異(P＝0.033)，而P1、P2 和LPP 的幅值差異無統計學意義。

結合圖2 和表2 結果，從平均振幅上看，受試喜愛程度高食物圖片所誘發的P3 幅值較大(16.74±5.85)μV，比喜愛程度低食物圖片誘發的P3 幅值(14.67±4.37)μV 顯著升高。 可以看到，食物偏好的腦電響應差異主要表現為內源性差異，即體現在與神經認知加工相關的P3 成分上，表明大腦在受到喜愛程度高的食物刺激時，反應更為強烈，P3 幅值的顯著性差異初步證明了食物偏好在腦電反應上存在差異。 P1 作為ERP 早期成分，主要與外界刺激直接相關，同時也是一種外源性成分，近年來在食物相關認知領域也受到廣泛關注[14]。 P1 雖在兩類刺激上無統計學意義，但平均振幅差異較大，喜愛程度高食物的P1 振幅(3.44±3.51 )μV 大于喜愛程度低食物的P1 振幅(1.16±2.59)μV。 這一差異表明個體受到喜愛食物的刺激時，有強烈的早期反應，P1 的這些差異可能與食物的渴望、獎賞機制存在關聯[18-19]。

圖2 P3， PZ 和P4 電極的平均ERP 波形Fig.2 The grand average ERP of region of interest (P3， PZ and P4)

表2 ERP 各成分幅值結果比較Tab.2 Experimental result of ERP component

圖3 為P1，P2，P3 成分達到峰值時候的平均腦地形圖。 相比于其他區域，食物視覺刺激下的腦電響應主要集中在頂區和枕區，ERP 各成分信號在枕區都表現出較大值，表現出一定的空間特征。 在枕區的多數電極上，喜愛程度高的食物誘發的P1 和P3 更大，P2 則無明顯差異，這說明大腦在接收到食物圖片刺激后，于枕區有一個早期和晚期的神經加工差異。

圖3 P1，P2，P3 腦地形圖Fig.3 Scalp topographical maps of the peaks of P1， P2 and P3

2.2 相關分析結果

圖4 為喜愛程度高、低食物的得分差異與P3 幅值差異之間的皮爾森相關系數r，此時取的P3 峰值為全腦P3 峰值的平均值。 從結果上看，食物評價得分差與P3 幅值差之間存在正相關(r＝0.59，P＝0.011)，個體對食物喜愛程度評分差越大，兩種刺激誘發的P3 幅值差異也越大，說明個體對食物的喜好評分與P3 幅值存在正相關。 該散點圖的結果從另一個角度證明了食物偏好與腦電之間存在關聯。

圖4 食物偏好得分差與P3 幅值差的相關性Fig.4 Scatterplots representing correlations betweentheP3differencesandfood scores differences

2.3 分類識別結果

18 名受試者CSP ＋SVM 分類和SVM 分類的平均正確率變化如圖5 所示，表3 為具體的分類結果。當s＝1 時，相當于進行單試次分類，CSP＋SVM 分類正確率為72.84%±12.99%，SVM 分類正確率為61.39%±8.43%，單試次腦電2 分類的正確率較低，這是因為單試次腦電的背景噪音非常大，極易受到多種因素的干擾，其包含的信息大部分是無意義的，在這種條件下難以進行信號的區分，兩者分類效果稍強于隨機水平。 隨著s的增大，信息量有所提升，CSP＋SVM 和SVM 分類的平均正確率均單調上升，且CSP ＋SVM 分類結果一直優于直接進行SVM 分類的結果。 當s＝4 時，兩種方法的分類正確率達到最高，CSP ＋SVM 分類的正確率達到了93.16%±8.93%，SVM 單獨分類正確率達到了79.49%±11.82%。

圖5 CSP ＋SVM 和SVM 分類結果對比(*表示P＜0.05，**表示P＜0.001)Fig.5 Comparison of classification results between CSP＋SVM and SVM(*: P＜0.05，**: P＜0.001)

表3 CSP＋SVM 和SVM 分類的平均正確率Tab.3 Classification result of CSP＋SVM and SVM

對比兩種分類方法的結果發現，經過CSP 特征提取后的腦電數據在s＝1 時分類效果就已經強于直接SVM 分類的結果，且隨著每一簇挑選樣本數量s的提高，CSP ＋SVM 的平均正確率逐步提高，標準差逐漸變小。 在4 種s條件下，CSP＋SVM 的分類效果均優于直接SVM 分類，具有統計學意義。 結合表3 的結果從標準差的角度上看，雖然s＝1 時CSP ＋SVM 標準差大于SVM，但在s ＞1 情況下，CSP ＋SVM 標準差均小于SVM，說明各受試者正確率分布更為集中，CSP＋SVM 方法有更好的適用性。 以上結果表明，CSP 特征提取方法有效提高了食物偏好腦電的分類正確率，CSP 與SVM 相結合的方法可對食物偏好腦電進行有效的分類。

3 討論

本研究通過oddball 實驗對比了18 名健康受試者在面對喜愛程度高和喜愛程度低食物時所誘發的ERP 波形差異，并進行了分類識別研究。 結果表明:喜愛程度高的食物會誘發更大的P1 和P3 幅值，CSP＋SVM 分類算法在融合4 個ERP 決策值情況下取得了93.16%的平均分類正確率。 P1 作為ERP 的早期響應，一般在刺激后約80 ～160 ms 內達到峰值，與刺激物理屬性相關。 本研究實驗中的刺激類型為視覺刺激，且刺激素材為常見食物，受試者一般能在極短的時間內分辨出所呈現的圖片刺激為何種食物。 本研究研究發現，喜愛程度越高的食物誘發了更大的P1 幅值，P1 振幅的差異表明，個體對食物的喜好差異在受到食物刺激后較快地體現在P1 成分上，表明P1 可能與食物的早期選擇相關。 Qiu 等人[20]研究消費者對不同口味捆綁促銷酸奶束的腦電響應中，發現喜愛程度高的捆綁促銷酸奶束誘發出更大的P1 振幅，與本研究一致。 這種反應變化出現得極早，受情緒等其他認知加工的影響較少，是大腦自動加工外界信息的體現，P1 這一特征或許可作為食物早期選擇的標志。 P3 作為晚期成分的代表，一般于刺激后300 ～500 ms 內達到峰值，是一種內源性成分[21]。 多數實驗均證明P3 與高級神經認知加工相關，相比于ERP 的其他成分，更能反映個體的心理認知變化。 本研究研究發現，喜愛程度越高的食物，誘發的P3 幅值越大，這與現實中個體受到極其喜愛食物刺激時，情緒激動、心理反應強烈的現象吻合。 P1 和P3 這兩個成分從早期和晚期兩個角度體現了食物偏好的不同，可能是個體食物偏好差異的重要特征，將是未來食物推薦、健康干預相關研究的方向。

此外，CSP＋SVM 的腦電分類結果表明了不同喜愛程度食物誘發的腦電信號在該種方法下具有較好的可分性，較高的分類正確率既說明了食物偏好腦電存在一定差異，也說明了腦電作為新的食物分析工具的可能，表明腦電在食物喜好傾向預測上具有很大的應用潛力，本研究提出的CSP ＋SVM 分類方法可為未來的食物偏好研究提供一定的借鑒和參考意義。 從分類結果來看，分類準確率仍有很大的上升空間，如何更準確地解讀受試者誘發的食物相關的腦電信號，仍是未來的研究熱點。

同時，本研究仍然存在一定的局限性。 首先，食物刺激素材在部分受試者中并非具有真正意義上的顯著喜好差異，所選的兩類食物刺激不能代表每一位受試者的普遍喜好差異，兩類食物刺激的結果具有局限性。 其次，對于ERP 成分與食物喜好程度的關系尚處于初步探究階段，本研究主要討論了常見的P1、P2、P3 和LPP 幅值，未對潛伏期及其他指標進行更細致的深入研究，食物偏好的腦電特征具有局限性。 最后，分類識別結果目前處于離線階段，缺乏進一步的驗證性實驗，下一步研究計劃為進行在線實驗，驗證該方法的有效性。

4 結論

本研究使用事件相關電位技術探究不同食物偏好腦電的信號差異，證明了健康個體食物偏好與腦電存在關聯，主要表現為喜愛程度高的食物刺激可引起更大的P3 幅值，研究結果表明腦電信號可作為一種新的食物偏好的分析工具。 同時使用CSP＋SVM 方法完成了兩類食物刺激腦電信號的分類識別，達到了93.16%±8.93%的分類正確率，取得了較好的分類結果。 本研究的分類識別方法可為健康飲食干預、食物推薦、厭食癥輔助治療等提供新的解決思路。