劉學文，丁成義，王寧，袁道任，胡怡芳

　　（中國電子科技集團公司第二十七研究所，河南 鄭州 450047）

摘要：利用多維EMD分解算法，在時域和空域上同時對信號進行多維度的經驗模式分解，利用導聯電極之間的關聯信息，提高P300信號的提取準確度。在此基礎上，以特定目標探測為應用目標設計了刺激范式，并進行了真實環境下特定目標的探測。以不同刺激間隔為調節參數，經過多輪次試驗，獲得了P300電位的識別準確率與刺激間隔的關系，該結論對P300電位在特定目標探測中的應用具有實際指導意義。

關鍵詞：P300；經驗模式分解；目標探測；腦電波

0引言

　　P300即為晚成分的第三個正波P3，由sutton等1965年所發現。P3波反映受試者對刺激的接受、處理以及反應等認知過程，其波幅和潛伏期能客觀地反映受試者的認知能力［1］。

　　研究者發現P300成分實際上包括P3a和P3b兩個子成分，其對應著不同的神經處理過程，其中P3a主要是由于分散事件（與任務無關的新異刺激）引起，而P3b主要是由任務靶刺激所引起，奠定了其在目標探測中應用的基礎。

1P300電位應用的理論基礎

　　在真實復雜場景刺激下，P300機制包括的激活網絡（區域）、網絡間的作用關系都可能與標準實驗刺激下的情況存在差別，同時P300的響應強度在被試間存在一定的差異，當前對造成這些差異的機制還不清楚，可能會制約相關P300系統的實際應用。在Oddball實驗刺激范式中，P300產生的條件如下［23］：

　　（1）反應任務的概率大小：低概率事件也會引發一個波幅更大的P300；

　　（2）被試的注意狀態：P300的產生取決于被試的主動注意過程而非物理刺激本身；

　　（3）刺激的性質［4］：積極和消極刺激都比中性刺激能誘發更大P300波幅，這表明P300的出現依賴于被試對刺激性質的判斷。

　　（4）實驗范式［5］：采用兩種或多種不同刺激持續隨機交替出現，它們出現的概率顯著不同，經常出現的刺激稱為大概率（如85%）或標準刺激，偶爾出現的稱為小概率（如15%）或偏差刺激，見圖1（A）。還有其他的刺激范式序列，如圖1（B）、（C）、（D）所示。在實驗中實驗者需要編制實驗所需的刺激序列：包括刺激方式、刺激類型、刺激呈現時間、刺激、間隔、刺激總次數、刺激序列的隨機出現、刺激概率等。

　　波形識別與測量是ERP研究的一個技術難點。可根據峰潛伏期、波形及其頭皮分布，參照總平均圖與文獻進行判斷，豐富的經驗也是一個重要的因素，常見的處理方法有：波峰測量（包括波幅和峰潛伏期）、平均波幅測量、相減等。

2P300電位的應用

　　Rosenfeld［6］等利用P300進行測謊，獲得了實驗上的成功，為測謊開辟了一條新路徑。梁健威［7］等基于多域融合與遺傳算法對P300測謊進行了研究。張明島［8］等研究表明，在大部分電極位置上，說謊和誠實狀態下誘發出的關聯性負變（CNV）波幅顯著不同。

　　P300電位也可以用來判別某些被試感興趣的特定目標，當目標的出現是小概率事件時，可以誘發P300的產生。

　　P300電位在特定目標探測等實際應用中具有以下難題需要解決：

　　P300電位的出現特性一般在300 ms～800 ms，如果考慮到大腦認知加工的參與，時間至少要控制到500 ms以上。為了盡量提高處理速度，P300電位必須發展單次/少次提取技術。

　　而單次刺激誘發的P300的波幅約2～10 μV，比自發腦電小得多，淹沒在EEG中，二者構成小信號與大噪聲的關系。P300電位的特征提取是個技術難點。

3算法的設計與實現

　　EMD已經在不同的應用場合證明了其具有良好的非平穩信號處理能力。已有研究人員將其應用于P300的少次提取中［910］，并取得了較好的效果。考慮到本項目針對的刺激場景的復雜性，其誘發的P300信號較常規實驗的更弱，因此還有必要進一步提高P300單次提取技術的可靠性。

　　3.1算法設計

　　P300具有較廣的空間分布，在大腦的多個區域都可以測得相應的P300信號。前面已有的研究表明，基于時空的方法能夠較好地利用多個導聯間的信息從而挖掘感興趣的信號成分。因此本文嘗試利用多維EMD分解技術，在時空上實現對信號的多個維度的經驗模式分解，利用多個導聯電極上的關聯信息，提高P300信號的估計質量。

　　多維EMD［11］的核心是多維EMD分解，其具體實現流程如圖2。

　　3.2算法效果評估

　　（1）數據獲取

　　采用虛擬P300在線系統作為刺激，招募4個被試者參加試驗，采樣率1 000 Hz，帶通濾波范圍0.5～45 Hz，采集15導信號，總共有200 trial，目標靶刺激40個，標準刺激160個。選擇在疊加平均后有較為明顯的P300頂葉的P3、P4和中區的C3、C4上的EEG來進行P300的單次提取測試。

　　（2）算法性能評估指標

　　以相應導聯上的疊加平均P300信號作為參考，利用單次獲取的P300和該參考信號間的相關系數作為指標進行評估。相關系數越大表明算法性能越優越。將多維EMD和一維EMD的結果進行比較。

　　（3）多維EMD的提取結果

　　圖3是利用多維EMD對一個P300 trial的分解模式結果。從圖中可以看到，由于多維EMD分解考慮了不同導聯上的時空約束關系，因此能夠保證不同導聯上的信號模式具有較好的頻率一致性。

　　分別利用一維和多維EMD對每個被試的每個trial進行P300單次提取后，計算相應的每一道上的相關系數，然后求取其平均結果如圖4所示。

　　從圖4可以看出，一維和多維EMD分解方法都能夠有效地提高相應P300的質量，在這兩種方法中，多維EMD方法較EMD方法在指標上有一定的提高。

4目標探測實驗及結果分析

　　（1）試驗設計

　　以真實采集的環境圖片作為標準刺激，標準刺激圖像不變，靶刺激為設計在路上的正常尺寸的車輛和天空中閃現的尺寸較大的飛機。如圖5所示。兩種刺激符合Oddball范式。

　　在篩選較優被試的情況下，分別采用刺激間隔為50 ms、100 ms、200 ms，測試結果如表1。

　　從表1中可以看出，刺激間隔為100 ms的實驗中5名被試取得的平均正確率明顯高于另兩種情況。但具體觀察可以發現，并不是所有被試在刺激間隔為100 ms時的在線正確率最高，而且被試6有可能對P300電位不敏感，真正測試時不能夠作為分析正確率的影響因子。分析原因可能是200 ms的刺激間隔太長，引起實驗中的不適，他們在該配置下的正確率也都明顯低于其他配置；50 ms刺激間隔太短，容易導致眨眼和疲勞，影響EEG信號。

　　圖6給出了6名被試在三種刺激間隔配置參數下Pz電極通道的P300波形，該波形由實驗數據中所有P300目圖3多維EMD時空分解結果

　　標選擇的數據段疊加求平均得到，其中點線表示時間間隔為50 ms，實線表示時間間隔為100 ms，虛線表示時間間隔為200 ms。　

　　從圖6中可以看出， P300波形在50 ms、100 ms和200 ms刺激間隔下的幅度都呈現遞增的現象，即越長的刺激間隔能夠誘發幅度越大的P300波形，這與普遍觀點一致。越短的刺激間隔誘發的P300波形峰值出現越早。總體而言，在刺激間隔為50 ms的情況下，潛伏期較短，幅度較小，相應在刺激間隔為200 ms的情況下，潛伏期較長，幅度較大。

5結論

　　多維EMD方法確實能夠較好地應對P300中存在的非平穩性，能夠提高單次P300的信號質量。相對于一維EMD，多維EMD方法由于利用了多個電極上的時空信息，能夠有更可靠的提取性能，在P300在線目標探測識別系統中具有潛在的應用價值。

參考文獻

　　［1］ LUKHANINA E P, MEL’NIK N A, BEREZETSKAYA N M, et al. Correlations between indices of P300 EEG potential, cognitive tests, and variational pulsometry in Parkinsonian patients［J］. Neurophysiology, 2008, 40(1):3947.

　　［2］ MAGEE R, GIVIGI S. A genetic algorithm for singletrial P300 detection with a lowcost EEG headset［C］. Systems Conference (SysCon), 2015 9th Annual IEEE InternationalIEEE, 2015:230234.

　　［3］ DE V M, KROESEN M, EMKES R, et al. P300 speller BCI with a mobile EEG system: comparison to a traditional amplifier［J］. Journal of Neural Engineering, 2014, 11(3):277286.

　　［4］ 周愛保, 李世峰, 夏瑞雪,等. P300在自我研究中的應用與發展［J］. 醫學與哲學，2012(7):4951.

　　［5］ 王蘭, 楊巧麗, 武海明. 事件相關電位中P300成分的提取及分析研究［J］. 科技資訊, 2009(23):8283.

　　［6］ PETER R J, MATTHEW S, GREGORY B. Simple, effective countermeasures to P300based tests of detection of concealed information［J］. Psychophysiology, 2004, 41(2):205219.

　　［7］ 梁健威. 基于多域融合與遺傳算法的P300測謊研究［D］. 杭州：浙江大學, 2015.

　　［8］ 張明島. 腦誘發電位學［M］.上海：上海科技教育出版社, 1996.

　　［9］ RUTKOWSKI T M, MANDIC D P, ANDRZEJ CICHOCKI, et al. Emd approach to multichannel EEG data——the amplitude and phase components clustering analysis［J］. Journal of Circuits System & Computers, 2011, 19(1):215229.

　　［10］ LI S, ZHOU W, YUAN Q, et al. Feature extraction and recognition of ictal EEG using EMD and SVM［J］. Computers in Biology & Medicine, 2013, 43(7):807816.

　　［11］ CUI G, YIN Y, ZHAO Q, et al. Patients’ consciousness analysis using dynamic approximate entropy and MEMD method［C］. Signal and Information Processing Association Annual Summit and Conference (APSIPA), 2013 AsiaPacificIEEE, 2013:15.