王海霞 尤文斌 于在水 鄧慧芳

（1.中北大學(xué)電子測試技術(shù)國家重點實驗室，太原，030051；2.上海復(fù)旦微電子集團股份有限公司，上海，200433）

引 言

α波影響著大腦的很多高級功能，有研究表明，人的社會創(chuàng)造性與α波息息相關(guān)[1]，而在放松狀態(tài)下產(chǎn)生的α波可以增強人的記憶、加快收集資料的速度，促進人更有效地完成任務(wù)[2]。因此，為了更好地了解有關(guān)認知、創(chuàng)造等大腦活動機制，α波的研究受到了廣泛關(guān)注[3-4]。馬小萌等分別計算抑郁癥組與對照組中26個腦區(qū)域的靜息態(tài)腦電α波在頻域的幅值平均值，并統(tǒng)計其與左右不對稱性的相關(guān)性，指出α波的左右不對稱性可能與抑制負性自我加工偏向的神經(jīng)活動有關(guān)[5]。而在腦電信號(Electroence-phalogram,EEG)研究中，EEG信號是神經(jīng)元細胞集群放電活動在頭皮的綜合反映，并不是腦內(nèi)神經(jīng)元集群產(chǎn)生信號的直接對應(yīng)[6]，而了解神經(jīng)元集的活動才能更好地了解大腦活動。僅研究不同腦區(qū)的α波差異，缺乏對α波的溯源分析，所提供的信息對分析大腦神經(jīng)活動不夠全面。文獻[7]用獨立成分分析(Independent component analysis,ICA)算法分解被試者的自發(fā)腦電信號，并指出分解得到的腦電信號表現(xiàn)出了一種自然基礎(chǔ)。鑒于此，本文提出了α波獨立分量能量分析法，探討不同腦區(qū)的α波和各獨立分量的關(guān)系，將FastICA分解的獨立分量看作源信號，以同一腦區(qū)在不同獨立分量中的α波功率分布比值作為衡量兩者關(guān)系的尺度；并結(jié)合源定位算法對獨立分量進行源定位，獲取大腦中源信號的位置信息，以此進行α波的溯源分析，彌補了只分析α波腦區(qū)差異而造成的信息不足的缺陷。本文以放松狀態(tài)下產(chǎn)生的EEG信號為研究對象進行分析，其分析結(jié)果可為放松狀態(tài)下α波產(chǎn)生的神經(jīng)活動提供參考。

1 腦電數(shù)據(jù)采集

試驗中選取6名被試者，均為男性，無疾病史，26周歲，右利手，腦電采集系統(tǒng)使用OPENBCI測試系統(tǒng)，其測試電極為Ag/cl干電極，采樣頻率為250 Hz。圖1給出了國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)導(dǎo)聯(lián)位置，放置的測試區(qū)域分別為：Fp1（左額極），F(xiàn)p2（右額極），C3（左中央），C4（右中央），T5（左后顳），T6（右后顳），O1（左枕區(qū)）和O2（右枕區(qū)），A1，A2作為測試的參考電極分別放置于左耳、右耳部位。

整個采集過程持續(xù)約7 min，測試過程中測試者應(yīng)盡量保持不動，以免帶來不必要的干擾。被試者在1～2 min使用手機進行網(wǎng)頁的瀏覽，屬自由活動時間；3～7 min放下手機，進入思緒漫游的放松狀態(tài)。選取每個被試者進入思緒漫游狀態(tài)后的較好的EEG信號進行分析，時間段為10 s。

圖1 國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)電極安放法Fig.1 International standard lead 10-20 system electrode placement method

2 分析模型的建立及其原理

試驗共獲得放松狀態(tài)下的6組腦電數(shù)據(jù)，為了使研究具有針對性，對α波的主要分布腦區(qū)進行溯源分析，分為以下幾個步驟：

（1）通過計算預(yù)處理后的EEG信號的α波功率，分析α波的主要活動區(qū)域；

（2）將FastICA分解獲得的獨立分量看作源信號，進行源定位分析，獲取源信號的的腦內(nèi)分布模型；

（3）α波主要分布腦區(qū)的α波獨立分量能量分析，其核心是計算腦區(qū)從各獨立分量中映射α波的功率情況，以功率分布比值大小作為評估測試區(qū)域與獨立分量關(guān)系，并對結(jié)果進行統(tǒng)計分析。

2.1 FastICA算法原理

對于觀測信號矢量，存在一個線性變換，使觀測信號在線性變換下的每個分量統(tǒng)計獨立最大化，其稱之為ICA過程[8]，其簡化的模型為：若有M個源信號s1(t),s2(t),…,sM(t)在統(tǒng)計上相互獨立，則其線性組合產(chǎn)成N（M≤N）個隨機變量x1(t),x2(t),…,xN(t)，第i個混合信號輸出為xi(t)=ai1s1(t)+ai2s2(t)+…+aiNsN(t)=As(t)其中，i=1,2,…,N，aij為混合系數(shù)[6]。從M維觀測信號中找到隱含的源信號，可將其簡化為線性問題過程：Y(t)=WTX(t)，WT為待確定的分離矩陣，這些變換后的向量y即所求獨立成分。

作為一種ICA算法，F(xiàn)astICA算法基于非高斯最大化原理，以最大化負熵作為其目標(biāo)函數(shù)，采用牛頓迭代算法對觀測變量的大量采樣點進行批處理，收斂速度快，使用方便[8]。

2.2 腦電信號預(yù)處理

腦電信號是一種微弱復(fù)雜的生理信號，而工頻、眼電以及心電等干擾信號幅值大，極易將有用的腦電信號淹沒[9-10]。為了分析放松狀態(tài)下產(chǎn)生α波的主要腦區(qū)，需要對腦電信號進行預(yù)處理后再對α波功率進行統(tǒng)計。工頻干擾以及電磁干擾往往發(fā)生在較高的頻段，可以采用經(jīng)典濾波方法去除，而眼電偽跡采用傳統(tǒng)濾波的方法很難去除，因此，可使用FastICA算法去除。預(yù)處理模型如圖2所示。

預(yù)處理的具體步驟如下：

（1）輸入為實測八通道腦電信號，利用50 Hz的陷波器進去除工頻干擾信號；

（2）利用FastICA算法對步驟（1）得到的信號進行分解，以獲得多個獨立成分，以及對應(yīng)的分解矩陣WT和混合矩陣A；

（3）根據(jù)眼電偽跡的特點，進行辨識；

（4）將WT對應(yīng)的眼電偽跡分量置0，并與混合矩陣A相乘，重構(gòu)后得到去除工頻干擾以及眼電偽跡的信號。

2.3 α波主要分布區(qū)域分析

EEG信號經(jīng)過預(yù)處理后，對α波主要分布區(qū)域分析，具體步驟為：

（1）對腦電信號進行功率譜密度（Power spectral density,PSD）分析，計算經(jīng)過預(yù)處理后每個通道的EEG信號功率；

（2）利用梯形積分法計算每組各通道的α波（8～12 Hz）功率，對6組數(shù)據(jù)的不同通道利用兩因素方差分析（Two-way analysis of variance，tow-way ANOVA）進行檢驗統(tǒng)計，確定α波的主要分布腦區(qū)。

2.4 獨立分量的源定位

由FastICA分解所得的分量，其統(tǒng)計獨立性最大，將這些獨立分量看作獨立生物電信號，為了直觀地分析大腦源信號活動情況，對獨立分量進行等價偶極子定位，得到腦內(nèi)源信號的分布模式。

使用MATLAB環(huán)境下的EEGLAB14.1工具包中的DIPFIT插件進行源定位，采用電流偶極子模型描述腦內(nèi)激勵源，頭模型使用Spherical Four-Shell(BESA)模型。DIPFIT插件可以對每個獨立分量進行定位分析，采用相對誤差（Relative variance,RV）值來衡量擬合程度，RV越小表示頭皮電勢分布與偶極子源在頭皮上產(chǎn)生點位分布差別越小，擬合程度越好[11]。

圖2 腦電信號預(yù)處理模型Fig.2 EEG signal preprocessing model

2.5 α波獨立分量能量分析法

此方法的核心思想是分析α波的分布腦區(qū)對不同源信號中α波功率的映射情況，以其映射功率比值的大小評估測試區(qū)域與不同獨立分量的關(guān)系。此方法結(jié)合獨立分量的源定位結(jié)果，可以更好地了解放松狀態(tài)下不同腦區(qū)的α波主要來自何源信號。具體步驟如下：

（1）假設(shè)Anm為分解得到的獨立矩陣，n表示通道數(shù)，m表示獨立分量數(shù)，將矩陣A中第i行的j列保留原值，其余元素全部置0,記作Y'（i=1，…，n；j=1，…，m）；

（2）計算X'=AY'的值，其中A為混合矩陣；

（3）計算X'中第i行的α波功率，即為第j個獨立分量在第i個通道中映射的α波功率；

（4）將目標(biāo)通道在每個獨立分量中獲取的α波功率值（步驟（3）所得）相加作為總值，并計算不同獨立分量在總值中所占的比值；

（5）對擬研究的不同腦區(qū)域的不同獨立分量映射的α波能量進行兩因素重復(fù)方差分析，研究不同獨立分量和不同腦區(qū)，以及兩者的交互作用對α波功率是否具有顯著影響。

3 結(jié)果分析

3.1 α波主要活動區(qū)域分析結(jié)果

以第1組EEG信號為例進行分析，得到的獨立分量時域圖如圖3所示，可以看出分量1在約3.2 s處、分量6在約0.1 s和0.7 s處出現(xiàn)較大的幅值變化。根據(jù)眼電偽跡的特征，可判定為眼動偽跡。

通過預(yù)處理腦電信號，計算每個通道的EEG信號的α波功率。6組預(yù)處理后被測腦區(qū)的α波功率如表1所示，可以看出，α波功率因腦區(qū)的不同而差異較大，但是一般的規(guī)律是左枕區(qū)及右枕區(qū)的α波功率較大，其次為右后顳和左后顳。

對不同被試者的不同腦區(qū)進行兩因素檢驗統(tǒng)計，結(jié)果發(fā)現(xiàn)因被試者不同，α波功率有顯著差異（F=2.79,df=5,p=0.031 8＜0.05）；腦區(qū)不同，對α波功率的影響差異顯著（F=58.66,df=7,p=0）。此外，左枕區(qū)與右枕區(qū)的α功率顯著大于右后顳、左后顳的α功率（p＜0.05），右后顳的α波功率顯著大于左后顳，但左枕區(qū)與右枕區(qū)的α波功率無顯著差異（p=0.315 6＞0.05)，分析結(jié)果與α波的主要分布區(qū)域在枕區(qū)的論述一致。

不同腦區(qū)的α波功率差異較大，這與大腦不同區(qū)域負責(zé)不同的功能有關(guān)。當(dāng)人體處于放松狀態(tài)時，與運動相關(guān)的額葉區(qū)處于不活躍狀態(tài)，而枕區(qū)的α波功率大，這可能與視覺信息的處理以及思維活動等活躍有關(guān)，而主要負責(zé)處理聽覺信息的顳區(qū)較額葉來說也比較活躍。

圖3 第1組腦電獨立分量時域圖Fig.3 Time domain diagram of EEG independent components in the first group

表1 各腦區(qū)α波功率統(tǒng)計表Tab.1 Channel average power statistics of the first group

3.2 源定位分析結(jié)果

對圖3中各獨立分量的源定位結(jié)果如圖4所示，其中括號中的百分比表示RV值。由圖4可知，分量1,6在前額眼睛附近，符合眼電偽跡的位置特點。分量7的波形具有α波的典型特點，呈現(xiàn)梭形，并且具有明顯的調(diào)幅現(xiàn)象，進行頻譜分析后，發(fā)現(xiàn)其頻段集中主要于11～12.5 Hz，源定位后其偶極子在右枕區(qū)附近（X=15,Y=-91,Z=6）。分量2的源定位在靠近縱裂的左枕區(qū)附近（X=-11,Y=-111,Z=22），其能量也集中于11～12.5 Hz頻段。

圖4 第1組EEG各獨立分量的源定位結(jié)果Fig.4 Source positioning results for EEG independent components in the first group

對其余5組的EEG信號分析時，發(fā)現(xiàn)每組源定位結(jié)果均不相同，這可能說明不同的被試者在放松狀態(tài)時的活動神經(jīng)源有差別，但是在枕區(qū)附近均有以α波頻段為主的源信號出現(xiàn)，其α波信號特征明顯。這說明在放松狀態(tài)下，枕區(qū)附近區(qū)域分布有產(chǎn)生以α波為主要頻段的神經(jīng)源。

3.3 α波獨立分量能量分析結(jié)果

對左枕區(qū)、右枕區(qū)的EEG信號進行α波的溯源分析。以第1組為例，分析結(jié)果表明，右枕區(qū)的α波功率的91.13%取決于獨立分量7；左枕區(qū)的α波功率的95.84%取決于獨立分量2。結(jié)合源定位分析結(jié)果，可以看出，右枕區(qū)與左枕區(qū)中的α波主要來自各自附近位置的獨立神經(jīng)源。

對其余組進行分析，均發(fā)現(xiàn)右枕區(qū)與左枕區(qū)的α波主要來自其附近位置的獨立神經(jīng)源,這兩個神經(jīng)源所產(chǎn)生的信號頻段大約集中在11～13 Hz，并且波形呈梭形，而其他神經(jīng)源信號的主要頻段集中于0.5～6 Hz,在10～13 Hz也占有小部分。

為了分析左枕區(qū)與右枕區(qū)的α波與其附近位置神經(jīng)源的關(guān)系，采用兩因素重復(fù)方差分析法對這兩個源信號和兩個枕區(qū)的α波功率進行統(tǒng)計分析。結(jié)果顯示，在顯著水平為0.05時，左枕區(qū)和右枕區(qū)的不同、獨立分量的不同對α波功率并沒有顯著性影響（F=1.01,df=1,p=0.326;F=2.45,df=1,p=0.126 6），而兩者的交互作用具有顯著性差異（F=14.37,df=1,p=0.001 1），這表明左枕區(qū)和右枕區(qū)的α波功率受不同的神經(jīng)源影響。

4 結(jié)束語

通過6個26歲右利手的被試者在放松狀態(tài)下α波的主要分布區(qū)域進行分析，結(jié)果發(fā)現(xiàn)其α波的主要分布區(qū)域位于左枕區(qū)和右枕區(qū)，兩者之間無顯著差異，其次是右后顳和左后顳，右后顳的α波功率顯著大于左后顳。

放松狀態(tài)下，對左枕區(qū)和右枕區(qū)的α波的溯源分析結(jié)果顯示，雖然6名被試者的左枕區(qū)與右枕區(qū)的α波功率無沒有顯著性差異，但是其α波主要來自于不同的神經(jīng)源，分別位于靠近左枕區(qū)的左腦和靠近右枕區(qū)的右腦位置，其具有明顯的α波信號特征，頻段主要集中在11～13 Hz。經(jīng)過兩因素重復(fù)方差檢驗，發(fā)現(xiàn)這兩個不同的神經(jīng)源影響了左枕區(qū)與右枕區(qū)的α波功率。

本文所提出的α波獨立分量能量分析法，結(jié)合源定位算法所進行的α波溯源分析，亦可對其他狀態(tài)下產(chǎn)生的α波進行溯源、以及病灶分析定位等，并且建議分析時可適當(dāng)增加采集電極的個數(shù)。