人腦警覺度變化時腦電時間復雜度的變化趨勢,人體生理學論文

人腦警覺度變化時腦電時間復雜度的變化趨勢,人體生理學論文警惕度[1]是指生物體能夠維持注意力并且在較長時間內對刺激保持警覺性的能力。隨著當代科技的進步，人類在工作中的角色逐步發(fā)生了改變：越來越多的機器代替了人類的勞動角色，使得人類從原來機器的操作者變成了機器的監(jiān)控者。在氣象、醫(yī)療、軍事等多種領域中[2-3],我們所從事的工作就是對機器上一些特定信號的發(fā)生進行監(jiān)測并做出快速反響：一般情況下這些信號發(fā)生的概率很低，甚至很多時候是偶發(fā)或不發(fā)的，但是一旦發(fā)生而機器的操作者沒有及時做出相應反響，就會造成無法挽回的后果。因而對于警惕度的研究也越來越廣泛。警惕度的研究發(fā)展到今天，已有七十多年的歷史，對警惕度的檢測方式方法包括主觀評價、生物反響測試、生理信號檢測、生物化學法[4-8]等四種主要方式方法。華而不實生理信號是直接反映人體變化的信號，在警惕度檢測中的應用越來越廣泛。由于能夠比擬準確地反映大腦警惕度的變化，腦電信號的研究越來越遭到學者的關注。但是由于腦電信號一般比擬微弱，且容易遭到環(huán)境的影響，因而對于腦電信號的研究當前還屬于實驗室研究階段。針對于腦電信號微弱、信噪比低、非平穩(wěn)性等特點，本文提出了提取非平穩(wěn)信號排列熵的方式方法，應用這種基于復雜性度量的非線性參數對腦電信號進行腦警惕度研究。排列熵作為一種較新的數學統(tǒng)計方式方法，最早是由Bandt等[9]提出的一種衡量時間序列復雜度的平均熵參數，該算法遭到了國內外學者的重視，并且應用到了包括醫(yī)學、生物、氣候、圖像處理在內的多個領域，效果顯著，具有很強的適應性，在最近幾年也逐步引入到了生理信號諸如心、腦電信號的分析當中[10].在醫(yī)學上，Nicolaou等[11]通過提取信號排列熵特征實現了對癲癇患者腦電信號的分類辨別；Frank等[12]利用排列熵研究了心率波動復雜性與行為狀態(tài)之間的關系；劉建平等[13]通過提取腦電信號排列熵這種復雜性測度研究了排列熵與腦疲憊程度檢測的關系。以上研究都給本文的研究奠定了基礎。因而本文試圖用排列熵的方式方法對腦警惕度進行研究，分析人腦警惕度發(fā)生變化時腦電時間復雜度的變化趨勢，為警惕度研究開拓一條道路。1實驗方式方法1.1實驗環(huán)境和受試者本實驗的受試對象共11名，均為在校學生，6名男性，5名女性，平均年齡為23.3歲，平均受教育時間為16.3年。被試身體健康且日常作息時間規(guī)律；均為右利手，無既往疾病史。實驗室環(huán)境舒適且平靜，室溫保持26℃,盡量排除因環(huán)境因素所造成的警惕度發(fā)生變化的影響。所有被試在實驗經過中均使用同一臺電腦，保證了實驗各項參數不變。本實驗使用奧地利EMS公司生產的Phoenix數字腦電系統(tǒng)來記錄腦電信號。極帽電極放置位置遵循國際標準的10-20系統(tǒng)，以右耳〔A2〕為參考電極，記錄19導腦電數據。腦電采集放大器放大倍數為4096,采樣率為256Hz;腦電儀內置帶通濾波器，濾波范圍為0.05~70Hz.1.2實驗流程實驗要求受試者實驗前一周不可飲用含有酒精或者咖啡因的飲品及藥品，并在實驗前一天進入實驗室了解實驗程序和要求，嚴格根據流程進行實驗操作，實驗經過中不可退出。被試者在實驗開場前一天要正常作息，保證充足睡眠；實驗當天上午不進行劇烈的腦體力勞動，午休半小時后進入實驗進行持續(xù)時間2~3h的實驗。實驗于14∶00開場，實驗室內無時間參考裝置〔環(huán)境無時間〕，保證被試不知道當下時間且不預知整個實驗流程所持續(xù)時間。實驗共分四個模塊，每個模塊包括兩個任務：心算任務和警惕度任務〔psychomotorvigilancetask,PVT〕實驗。整個實驗共包含4個心算任務和5個PVT實驗。實驗流程如此圖1所示.【1】〔1〕三位數加減法即為心算任務，目的是為被試增加精神負荷，使被試警惕發(fā)生改變。任務要求被試完成出如今電腦屏幕上的160道三位數加減法計算題〔華而不實80道加法題〕，心算任務無重復題目?！?〕PVT實驗[14]單次PVT實驗持續(xù)時間為10min.該任務要求被試對以不確定時間間隔出如今電腦屏幕中的一個黃色警報標記快速做出反響，當警報標記出如今屏幕時，被試就按回車鍵作為響應，此時毫秒計數器就會停止計數，持續(xù)顯示1s后消失。黃色警示標記以隨機的時間間隔〔2~10s〕出現，避免了被試對警報標記的預判，提早按鍵或是按錯鍵均以為是發(fā)生了錯誤。將五個PVT實驗記為時段1到時段5,實驗經過中同步記錄被試的腦電數據?！?〕主觀量表在每次PVT實驗后，被試者填寫卡羅林斯卡嗜睡量表〔KarolinskaSleepinessScale,KSS〕，對當下的警惕度狀態(tài)迅速做一個評分。該量表將警惕度狀態(tài)分為9個等級，分別為：極度警惕〔計1分〕；非常警惕〔計2分〕；警惕〔計3分〕；一般警惕〔計4分〕；不太警惕但也無困意〔計5分〕；有一些困意傾向〔計6分〕；有困意，但是不需要過多努力保持清醒〔計7分〕；有困意，且需要一定的努力保持清醒〔計8分〕；非常困乏，需要極大的努力保持清醒〔計9分〕。得分越高講明當下被試者警惕度狀態(tài)越差。2數據處理方式方法2.1預處理腦電信號本身較為微弱且易受環(huán)境和被試因素影響。本研究采用腦電記錄儀處理來自環(huán)境的干擾，在采集經過中對信號進行了帶通濾波〔0.05~70Hz〕和工頻干擾濾波；用直接剔除的方來處理體動干擾，而由眼電偽跡等小信號所引起的干擾則通過獨立成分分析〔independentcomponentanalysis,ICA〕的方式濾除。2.2復雜性度量排列熵計算簡單且快速、抗噪能力強，同時對數據量的要求不高，僅需較短的序列就能得到一個穩(wěn)定的值[15],因而本文提出了用這種方式方法來進行腦警惕度研究。算法[16]如下：〔1〕設一個長度為N的一維時間序列{x〔i〕，i=1,2,，n},對華而不實任意一個元素x〔i〕進行空間重構，得到一個重構向量：Xi=[x〔i〕，x〔i+l〕，，x〔i+m〔-1〕l〕],〔1〕華而不實，m為嵌入維數，l為延遲時間。經研究發(fā)現，嵌入維數與延遲時間影響信號的區(qū)分度以及信號的變化趨勢，且嵌入維數m取3~9、時間延遲l取1~4范圍內最佳，最終在本文中m取值為5,l取值為2.〔2〕對Xi的m個重構分量進行升序排列，得到：x〔i+〔j1-1〕l〕x〔i+〔j2-1〕l〕x〔i+〔jm-1〕l〕〔2〕〔3〕假如存在x〔i+〔ji1-1〕l〕=x〔i+〔ji2-1〕l〕，此時就按j的大小進行排序，也就是當ji1ji2時，有x〔i+〔ji1-1〕l〕x〔i+〔ji2-1〕l〕，所以任意一個向量Xi都能夠得到一組序列符號A〔g〕=[j1,j2,jm],〔3〕式中g=1,2,，k,且kml,m個不同的符號[j1,j2,，jm]一共有m!種不同的排列，符號序列A〔g〕是華而不實一種，記錄每一個符號序列A〔g〕的出現次數Nk并計算其概率P1,P2,，Pk,km!,華而不實【公式1】排列熵H〔m〕大小表示了時間序列x〔i〕的隨機程度，H〔m〕的值越大，講明時間序列越接近隨機；反之，則講明時間序列越規(guī)則。3實驗結果3.1數據標注本文的目的是為了驗證排列熵方式方法研究警惕度的可行性，因而需要先對信號進行標注，作為驗證該算法的先驗知識，同時也能驗證算法效果。本文的數據標注主要結合兩部分內容：KSS主觀量表以及PVT實驗的平均反響時間和錯誤指標。3.1.1主觀量表結果從表1中能夠看到，在時段1時大部分被試的KSS評分得分為4分左右，這與大部分被試在任務剛開場時的警惕度狀態(tài)相符合；在時段5時，KSS評分在8分左右，即有困意。能夠看到，11名被試者的KSS的平均得分在整個實驗經過中逐步升高，即為警惕度下降趨勢。3.1.2PVT實驗〔1〕平均反響時間本文對十一名受試者5個不同時段的PVT實驗做了統(tǒng)計，并對11人5個時段的反響時間做了平均統(tǒng)計，從圖2中能夠看出，隨著實驗的進行，被試者腦力負荷不斷加大，警惕度下降，被試者平均反響時間呈現明顯上升的趨勢?！?〕錯誤指標本文將反響時間小于100ms的錯誤信號及反響時間大于500ms的失誤信號合并為PVT錯誤指標并做了數據統(tǒng)計，其變化趨勢見圖3.從圖中能夠看出，隨著時間的增加，腦力資源消耗增大，精神負荷量逐步增加，被試的錯誤指標數呈現明顯的升高趨勢。3.2腦電信號分析根據上文所介紹的方式方法，本文計算了被試者19導腦電信號的排列熵并繪制了腦地形圖〔見圖4〕.在圖4中，排列熵在實驗中一直處于下降的趨勢，下降趨勢具體表現出在整個腦區(qū)，這與KSS量表和PVT實驗統(tǒng)計數據相吻合，且從時段3開場腦電復雜度明顯下降，具體表現出復雜性的排列熵值明顯降低；同時，通過圖4可以以觀察到，排列熵主要分布在腦區(qū)的頂葉和額葉兩個區(qū)域，這與頂葉、額葉負責思維、演算、相應數學和邏輯相吻合，且隨著負荷強度變大，被試者出現錯誤的概率提高，排列熵在以上兩個腦區(qū)的熵值也呈現出明顯的下降趨勢。在得到排列熵算法計算得出的被試警惕度變化趨勢后，為了驗證該算法的優(yōu)勢及正確性，本文又提取了被試者腦電信號的非線性參數樣本熵做扼要比擬。在樣本熵算法中，所采用的數據和實驗方式方法與排列熵算法一樣。圖5為本組受試者腦電信號樣本熵的變化趨勢圖。從圖5能夠觀察到，被試樣本熵整體趨勢為下降趨勢，這與前文所述KSS、PVT所得數據以及排列熵所分析結果相吻合，但在時段2有一個明顯的上升，與前文描繪敘述的趨勢有一定差異不同。與排列熵相比，該算法同樣有一定抗噪能力，僅需要較短的信號長度就可得到穩(wěn)定值，但樣本熵在算法原理上對數據有一定要求，需要限定在75~5000,且在該算法閾值r的選取上也有限定范圍0.1~0.25,超出這個范圍會導致知足條件的形式發(fā)生偏差。通過上面的比擬能夠發(fā)現，同樣作為非線性指標，排列熵較樣本熵有著更簡便的算法，對數據量的選取沒有嚴格要求，且所求結果更接近警惕度變化趨勢，所以本文得出的結論是排列熵算法在警惕度研究中切實可行。4討論在警惕度研究中，以往的研究大多著眼于長時間腦力工作以后警惕度狀態(tài)與初始狀態(tài)的比照研究，而忽略了警惕度在整個經過中的變化趨勢；研究方式方法大多集中在時域、頻域分析，對于腦電信號非線性分析應用較少。本文針對這些現在狀況，提出了用排列熵描繪敘述腦電信號時間復雜度的方式方法來研究在負荷狀態(tài)下大腦警惕度的變化趨勢，設計了三位數加減法的腦力負荷形式來引導被試者警惕度發(fā)生變化，并結合PVT實驗的平均反響時間、錯誤指標數及KSS主觀向量表對警惕度狀態(tài)進行標記，計算了腦電信號排列熵并與上述標注數據及通用的樣本熵算法進行了比對。結果顯示該算法下整個腦區(qū)的排列熵峰值出如今頂葉和額葉兩個區(qū)域，這與本實驗設計中所采用的三位數加減法以增加大腦負荷有直接聯絡；隨著被試者警惕度下降，整個腦區(qū)的排列熵都呈現出明顯的下降趨勢，且頂葉和額葉兩區(qū)