基于功率譜法對大鼠腦電信號(hào)的特征信息分析

張慧敏，隋建峰

1.重慶電子工程職業(yè)學(xué)院 通信系，重慶 401331；2.第三軍醫(yī)大學(xué) 基礎(chǔ)部基礎(chǔ)醫(yī)學(xué)教學(xué)實(shí)驗(yàn)中心，重慶 400038

基于功率譜法對大鼠腦電信號(hào)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(yè)學(xué)院 通信系，重慶 401331；2.第三軍醫(yī)大學(xué) 基礎(chǔ)部基礎(chǔ)醫(yī)學(xué)教學(xué)實(shí)驗(yàn)中心，重慶 400038

隨著科技的快速發(fā)展，人們對于醫(yī)學(xué)、生物學(xué)的關(guān)注度與日俱增，腦電信號(hào)作為最神秘器官的活動(dòng)反映指示，它包含了大量的生理與疾病信息，對于生命科學(xué)的研究具有十分重大的意義。本文參照經(jīng)典眨眼條件反射，搭建了實(shí)驗(yàn)平臺(tái)，實(shí)驗(yàn)采用眨眼刺激法，刺激模型采用實(shí)時(shí)追蹤模型和延遲模型，應(yīng)用功率譜法對采集到的大鼠腦電信號(hào)進(jìn)行特征信息提取，以此實(shí)現(xiàn)對大鼠腦電信號(hào)的特征信息分析比較。實(shí)驗(yàn)表明分析結(jié)果符合腦電信號(hào)的規(guī)律，與人工設(shè)置的實(shí)驗(yàn)條件結(jié)果一致。

腦電信號(hào)；功率譜法；特征信息；眨眼反射

0 引言

隨著科技的快速發(fā)展，人民生活水平的提高，人們對于醫(yī)學(xué)，生物學(xué)的關(guān)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(rèn)知、情感和行為過程的EEG振蕩活動(dòng)則稱為事件相關(guān)振蕩（Event-Related Oscillations，ERO）。雖然EEG很早已經(jīng)用來檢測和判斷腦功能，基于EEG的神經(jīng)反饋也被用來改善腦功能和治療腦病，但是歷經(jīng)80年的研究，EEG產(chǎn)生機(jī)制和功能意義仍然未能完全澄清，有待于去發(fā)現(xiàn)[1]。腦電信號(hào)里面包涵著大量的大腦活動(dòng)的信息，通過對腦電圖的觀察、研究，可以更加詳細(xì)深入的了解大腦的工作狀態(tài)及其活動(dòng)規(guī)律[2]。通過對大鼠的腦電信號(hào)進(jìn)行分析處理，可以從腦電信號(hào)里面提取到可靠且具有分析價(jià)值的特征參數(shù)，據(jù)此反映大腦的工作狀態(tài)，這種方式已經(jīng)成為了生理科學(xué)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(shí)也一直是國內(nèi)外關(guān)于腦和神經(jīng)科學(xué)研究的熱點(diǎn)問題[3]。

對大鼠腦電信號(hào)的分析，很多學(xué)者做了大量研究。黃獻(xiàn)等[4]采用功率譜熵對大鼠癇性發(fā)作預(yù)報(bào)開展了研究，采用常規(guī)的腦電圖儀和功率譜熵分析軟件對其進(jìn)行腦電信號(hào)分析，獲取的功率譜圖不明顯，結(jié)論不明確。封洲燕[5]應(yīng)用小波熵分析了大鼠腦電信號(hào)的動(dòng)態(tài)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(dāng)某頻譜帶內(nèi)的平均功率值保持不變時(shí)，它不能辨別頻帶內(nèi)曲線的平坦和陡峭，其評定結(jié)果不全面。本文通過自制的大鼠腦電信號(hào)實(shí)驗(yàn)裝置和數(shù)據(jù)采集方法，運(yùn)用功率譜法進(jìn)行分析以期獲得直觀明確的實(shí)驗(yàn)結(jié)果。

1 實(shí)驗(yàn)與方法

1.1 實(shí)驗(yàn)平臺(tái)

為了實(shí)現(xiàn)對于實(shí)驗(yàn)對象進(jìn)行有效的訓(xùn)練，以及實(shí)驗(yàn)數(shù)據(jù)精確的提取，搭建實(shí)驗(yàn)平臺(tái)用于完成對實(shí)驗(yàn)對象的訓(xùn)練及原始數(shù)據(jù)的提取，見圖1。實(shí)驗(yàn)平臺(tái)實(shí)現(xiàn)的功能是給實(shí)驗(yàn)對象兩個(gè)不同的刺激，即一個(gè)聲音刺激（CS）和一個(gè)吹氣刺激（US）。在對實(shí)驗(yàn)對象進(jìn)行刺激的同時(shí)，通過導(dǎo)線將實(shí)驗(yàn)對象的腦電信號(hào)連接到記錄儀上，實(shí)驗(yàn)對象腦電信號(hào)的提取[6]。

圖1 實(shí)驗(yàn)平臺(tái)模型

實(shí)驗(yàn)平臺(tái)模型主要由4個(gè)部分組成：訓(xùn)練箱、記錄儀、音響和US刺激控制器。訓(xùn)練箱的功能是一個(gè)實(shí)驗(yàn)對象被訓(xùn)練，固定的場所；音響和US刺激儀的功能是實(shí)現(xiàn)對實(shí)驗(yàn)對象的刺激；記錄儀實(shí)現(xiàn)的功能是通過導(dǎo)線連接實(shí)驗(yàn)對象的前額葉，將實(shí)驗(yàn)對象的腦電信號(hào)變化實(shí)時(shí)的記錄下來，完成原始數(shù)據(jù)的記錄。

（1）訓(xùn)練箱：這是大鼠進(jìn)行試驗(yàn)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(shí)將引線分別引出與外圍器件相連，見圖2。

圖2 實(shí)驗(yàn)訓(xùn)練箱

（2）記錄儀：4個(gè)記錄儀可以完成對8個(gè)通道的記錄，這里需要記錄的分別是兩只大鼠的長時(shí)間的CS、US和前額葉的腦電波圖形，實(shí)現(xiàn)了將原始數(shù)據(jù)記錄下來[7]。

（3）US刺激控制器：在CS刺激進(jìn)行的同時(shí)，進(jìn)行兩種模型的刺激：實(shí)時(shí)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(dāng)聲音即將結(jié)束時(shí)給它一個(gè)US刺激；Trace刺激是在CS刺激結(jié)束之后，間隔一段時(shí)間馬上又對它進(jìn)行一個(gè)US刺激。

（4）音箱：是對實(shí)驗(yàn)對象大鼠進(jìn)行CS刺激的工具。在醫(yī)學(xué)上，營造一個(gè)聲音環(huán)境，有助于加強(qiáng)實(shí)驗(yàn)對象對刺激的記憶，即對眨眼刺激的學(xué)習(xí)能力的加強(qiáng)。

1.2 腦電信號(hào)的刺激模型

為了對腦電信號(hào)進(jìn)行分析，首先應(yīng)該找出它的一些特征，然后進(jìn)行放大來研究。因此應(yīng)該對實(shí)現(xiàn)對象進(jìn)行一個(gè)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(hào)的提取，實(shí)驗(yàn)采用眨眼刺激法，即通過對實(shí)驗(yàn)對象眼睛進(jìn)行吹氣，通過記錄儀連接，得到腦電信號(hào)的波形圖[8-10]，刺激模型結(jié)構(gòu)，見圖3。

圖3 刺激模型結(jié)構(gòu)圖

選取健康的實(shí)驗(yàn)對象，給它一個(gè)CS刺激和US刺激，然后通過導(dǎo)線相連將實(shí)驗(yàn)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(shí)驗(yàn)對象的刺激時(shí)序圖，見圖4。

圖4 實(shí)驗(yàn)對象的刺激時(shí)序圖

Trace模型是先給實(shí)驗(yàn)對象一個(gè)3 kHz，85 dB的聲音信號(hào)CS刺激，使它持續(xù)250 ms。在CS刺激信號(hào)結(jié)束100 ms后，再加入一個(gè)持續(xù)100 ms的US刺激信號(hào)，這個(gè)信號(hào)的作用使US刺激儀對實(shí)驗(yàn)對象的眼睛產(chǎn)生一個(gè)US刺激。

Delay模型是先給實(shí)驗(yàn)對象一個(gè)3 kHz，85 dB的聲音信號(hào)CS刺激，使它持續(xù)350 ms，然后在CS刺激的最后階段，同樣產(chǎn)生一個(gè)信號(hào)觸發(fā)US刺激儀，對實(shí)驗(yàn)對象眼睛產(chǎn)生一個(gè)US刺激。

Delay模型和Trace模型在醫(yī)學(xué)上的區(qū)別在于Trace模型增加了學(xué)習(xí)難度，因?yàn)橐魳翻h(huán)境有助于實(shí)驗(yàn)對象對于眨眼條件反射的學(xué)習(xí)能力的提高，而且Trace模型具有更長的反應(yīng)時(shí)間[11]。

通過長時(shí)間反復(fù)的對實(shí)驗(yàn)對象進(jìn)行刺激后，即對實(shí)驗(yàn)對象進(jìn)行長時(shí)間的訓(xùn)練后，實(shí)驗(yàn)對象習(xí)得了眨眼條件發(fā)射。動(dòng)物的腦電信號(hào)圖，一般情況下會(huì)與最開始的腦電信號(hào)圖發(fā)生一些較為明顯的區(qū)別[12]，見圖5。

從圖5可以看出，參加了訓(xùn)練后實(shí)驗(yàn)對象腦電波圖中產(chǎn)生了一些相當(dāng)明顯的變化，在對應(yīng)的CS刺激開始階段，刺激信號(hào)US開始階段，以及US馬上來臨之前，腦電信號(hào)都有了較為明顯的變化。為了能更加清楚的了解實(shí)驗(yàn)對象的變化，需要對腦電信號(hào)進(jìn)行特征提取，條件反射（Conditioned Ref ex，CR）作為隨訓(xùn)練變化的特征，是被重點(diǎn)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(qiáng)烈程度，及對US刺激的反映。對于學(xué)習(xí)眨眼的實(shí)驗(yàn)對象，峰幅度越大，認(rèn)為它學(xué)的越好，CR習(xí)得率越高。CR的峰潛伏期：從CS開始階段到CR峰值的這段時(shí)間。對于學(xué)習(xí)眨眼的對象，在它還沒有學(xué)會(huì)之前，峰潛伏期為0，在它學(xué)會(huì)后，隨著訓(xùn)練的進(jìn)行，時(shí)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(xí)得率越高。CR相對潛伏期：從CR峰值到US起點(diǎn)的這段時(shí)間，對于實(shí)驗(yàn)對象，學(xué)會(huì)后，隨著訓(xùn)練時(shí)間的加長，CR相對潛伏期會(huì)越來越短。對于峰潛伏期和相對潛伏期來說，CR學(xué)習(xí)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(diǎn)到US起點(diǎn)。對于實(shí)驗(yàn)對象，也是CR起始潛伏期越小，就代表CR習(xí)得率越高。上面所有特征參數(shù)提取都是為了對CR習(xí)得率進(jìn)行判斷及對學(xué)習(xí)能力的判斷，通過對這些統(tǒng)計(jì)數(shù)據(jù)分析可以判斷出它是否符合腦電信號(hào)的變化規(guī)律，從而檢驗(yàn)是否成功實(shí)現(xiàn)了對腦電信號(hào)的提取與分析[13-15]。

圖5 參加訓(xùn)練后的實(shí)驗(yàn)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(hào)呈現(xiàn)的是時(shí)間與信號(hào)幅度的關(guān)系[16]，由于采集腦電信號(hào)的隨機(jī)噪聲較大，有效信號(hào)會(huì)淹沒在噪聲中，但僅從頻譜的角度來分析腦電信號(hào)也難以識(shí)別有效信號(hào)特征，因此采用功率譜分析法判斷腦電信號(hào)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(hào)與其它信號(hào)相比具有非線性、幅度更小、干擾信號(hào)更多的特點(diǎn)，為了能更好的對特征進(jìn)行提取分析，采用自相關(guān)法（Blackman-Tukey法）來對采集的腦電信號(hào)進(jìn)行功率譜估計(jì)，減少干擾信號(hào)的影響，突出腦電特征信號(hào)。自相關(guān)法功率譜估計(jì)的原理[17-19]：由Wiener-Khintchine定理，一個(gè)平穩(wěn)隨機(jī)過程的功率譜為自相關(guān)函數(shù)的傅里葉變換：

其中，rxx(m)為平穩(wěn)隨機(jī)過程的自相關(guān)函數(shù)。

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(wěn)隨機(jī)過程的功率譜的估計(jì)。

2 結(jié)果

實(shí)驗(yàn)分別于訓(xùn)練后的第9天和第11天采集實(shí)驗(yàn)對象的肌電信號(hào)和腦電信號(hào)并開展功率譜分析，見圖6。從中可以看出當(dāng)CS刺激信號(hào)發(fā)生時(shí)，動(dòng)物的肌電信號(hào)（Electromyography，EMG）均有明顯的反應(yīng)，且第11天檢測到的肌電信號(hào)說明動(dòng)物在經(jīng)過訓(xùn)練后只要CS信號(hào)發(fā)生，肌電信號(hào)就會(huì)反應(yīng)明顯（與圖6 (a) 訓(xùn)練第9天的EMG信號(hào)對比），說明肌電信號(hào)的特征信息可以通過時(shí)域波形圖觀察。但從圖6中觀察到EEG信號(hào)沒有明顯的差異，說明僅從時(shí)域波形去觀察和分析腦電信號(hào)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(hào)

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

3 結(jié)論

通過以上實(shí)驗(yàn)分析，可以明確的得出以下結(jié)論：實(shí)驗(yàn)原理采用經(jīng)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(hào)呈現(xiàn)的是時(shí)間與信號(hào)幅度的關(guān)系，由于采集大鼠腦電信號(hào)的隨機(jī)噪聲較大，腦電信號(hào)的特征信息不明顯，因此應(yīng)用功率譜法對采集到的腦電信號(hào)進(jìn)行特征信息提取，結(jié)果表明通過功率譜圖可以特征信息明顯，分析結(jié)果符合腦電信號(hào)的規(guī)律，與實(shí)驗(yàn)條件結(jié)果一致。

圖7 Trace模型下腦電信號(hào)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(xiàn),宋治,鄭文.功率譜熵對大鼠癇性發(fā)作預(yù)報(bào)的評估意義[J].中南大學(xué)學(xué)報(bào)(醫(yī)學(xué)版),2009,34(8):776-780.

[5] 封洲燕.應(yīng)用小波熵分析大鼠腦電信號(hào)的動(dòng)態(tài)變化特性[J].生物物理學(xué)報(bào),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(jīng)典瞬目條件反射的建立[J].第三軍醫(yī)大學(xué)學(xué)報(bào),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(tǒng)的研制[J].生物醫(yī)學(xué)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(yīng)測量方法[J].第三軍醫(yī)大學(xué)學(xué)報(bào),2008,30(24): 2340-2342.

[9] 季忠,秦樹人.時(shí)頻測試方法在腦電信號(hào)分析中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào)(自然版),2003,26(11):1-5.

[10] 薛年喜.MATLAB在數(shù)字信號(hào)處理中的應(yīng)用[M].北京:清華大學(xué)出版社,2003: 252-288.

[11] 李穎潔,樊飛燕,陳興時(shí).腦電分析在認(rèn)知研究中的進(jìn)展[J].北京生物醫(yī)學(xué)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(jī)接口的想象運(yùn)動(dòng)腦電信號(hào)的分析[D].蘭州:蘭州理工大學(xué),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(xué)基金（81171249）。

張慧敏，副教授，主要研究方向智能信號(hào)處理，模式識(shí)別。

通訊作者郵箱：zhuomi99@126.com