人脑警觉度变化时脑电时间复杂度的变化趋势,人体生理学论文

人脑警觉度变化时脑电时间复杂度的变化趋势,人体生理学论文警惕度[1]是指生物体能够维持注意力并且在较长时间内对刺激保持警觉性的能力。随着当代科技的进步，人类在工作中的角色逐步发生了改变：越来越多的机器代替了人类的劳动角色，使得人类从原来机器的操作者变成了机器的监控者。在气象、医疗、军事等多种领域中[2-3],我们所从事的工作就是对机器上一些特定信号的发生进行监测并做出快速反响：一般情况下这些信号发生的概率很低，甚至很多时候是偶发或不发的，但是一旦发生而机器的操作者没有及时做出相应反响，就会造成无法挽回的后果。因而对于警惕度的研究也越来越广泛。警惕度的研究发展到今天，已有七十多年的历史，对警惕度的检测方式方法包括主观评价、生物反响测试、生理信号检测、生物化学法[4-8]等四种主要方式方法。华而不实生理信号是直接反映人体变化的信号，在警惕度检测中的应用越来越广泛。由于能够比拟准确地反映大脑警惕度的变化，脑电信号的研究越来越遭到学者的关注。但是由于脑电信号一般比拟微弱，且容易遭到环境的影响，因而对于脑电信号的研究当前还属于实验室研究阶段。针对于脑电信号微弱、信噪比低、非平稳性等特点，本文提出了提取非平稳信号排列熵的方式方法，应用这种基于复杂性度量的非线性参数对脑电信号进行脑警惕度研究。排列熵作为一种较新的数学统计方式方法，最早是由Bandt等[9]提出的一种衡量时间序列复杂度的平均熵参数，该算法遭到了国内外学者的重视，并且应用到了包括医学、生物、气候、图像处理在内的多个领域，效果显着，具有很强的适应性，在最近几年也逐步引入到了生理信号诸如心、脑电信号的分析当中[10].在医学上，Nicolaou等[11]通过提取信号排列熵特征实现了对癫痫患者脑电信号的分类辨别；Frank等[12]利用排列熵研究了心率波动复杂性与行为状态之间的关系；刘建平等[13]通过提取脑电信号排列熵这种复杂性测度研究了排列熵与脑疲惫程度检测的关系。以上研究都给本文的研究奠定了基础。因而本文试图用排列熵的方式方法对脑警惕度进行研究，分析人脑警惕度发生变化时脑电时间复杂度的变化趋势，为警惕度研究开拓一条道路。1实验方式方法1.1实验环境和受试者本实验的受试对象共11名，均为在校学生，6名男性，5名女性，平均年龄为23.3岁，平均受教育时间为16.3年。被试身体健康且日常作息时间规律；均为右利手，无既往疾病史。实验室环境舒适且平静，室温保持26℃,尽量排除因环境因素所造成的警惕度发生变化的影响。所有被试在实验经过中均使用同一台电脑，保证了实验各项参数不变。本实验使用奥地利EMS公司生产的Phoenix数字脑电系统来记录脑电信号。极帽电极放置位置遵循国际标准的10-20系统，以右耳〔A2〕为参考电极，记录19导脑电数据。脑电采集放大器放大倍数为4096,采样率为256Hz;脑电仪内置带通滤波器，滤波范围为0.05~70Hz.1.2实验流程实验要求受试者实验前一周不可饮用含有酒精或者咖啡因的饮品及药品，并在实验前一天进入实验室了解实验程序和要求，严格根据流程进行实验操作，实验经过中不可退出。被试者在实验开场前一天要正常作息，保证充足睡眠；实验当天上午不进行剧烈的脑体力劳动，午休半小时后进入实验进行持续时间2~3h的实验。实验于14∶00开场，实验室内无时间参考装置〔环境无时间〕，保证被试不知道当下时间且不预知整个实验流程所持续时间。实验共分四个模块，每个模块包括两个任务：心算任务和警惕度任务〔psychomotorvigilancetask,PVT〕实验。整个实验共包含4个心算任务和5个PVT实验。实验流程如此图1所示.【1】〔1〕三位数加减法即为心算任务，目的是为被试增加精神负荷，使被试警惕发生改变。任务要求被试完成出如今电脑屏幕上的160道三位数加减法计算题〔华而不实80道加法题〕，心算任务无重复题目。〔2〕PVT实验[14]单次PVT实验持续时间为10min.该任务要求被试对以不确定时间间隔出如今电脑屏幕中的一个黄色警报标记快速做出反响，当警报标记出如今屏幕时，被试就按回车键作为响应，此时毫秒计数器就会停止计数，持续显示1s后消失。黄色警示标记以随机的时间间隔〔2~10s〕出现，避免了被试对警报标记的预判，提早按键或是按错键均以为是发生了错误。将五个PVT实验记为时段1到时段5,实验经过中同步记录被试的脑电数据。〔3〕主观量表在每次PVT实验后，被试者填写卡罗林斯卡嗜睡量表〔KarolinskaSleepinessScale,KSS〕，对当下的警惕度状态迅速做一个评分。该量表将警惕度状态分为9个等级，分别为：极度警惕〔计1分〕；非常警惕〔计2分〕；警惕〔计3分〕；一般警惕〔计4分〕；不太警惕但也无困意〔计5分〕；有一些困意倾向〔计6分〕；有困意，但是不需要过多努力保持清醒〔计7分〕；有困意，且需要一定的努力保持清醒〔计8分〕；非常困乏，需要极大的努力保持清醒〔计9分〕。得分越高讲明当下被试者警惕度状态越差。2数据处理方式方法2.1预处理脑电信号本身较为微弱且易受环境和被试因素影响。本研究采用脑电记录仪处理来自环境的干扰，在采集经过中对信号进行了带通滤波〔0.05~70Hz〕和工频干扰滤波；用直接剔除的方来处理体动干扰，而由眼电伪迹等小信号所引起的干扰则通过独立成分分析〔independentcomponentanalysis,ICA〕的方式滤除。2.2复杂性度量排列熵计算简单且快速、抗噪能力强，同时对数据量的要求不高，仅需较短的序列就能得到一个稳定的值[15],因而本文提出了用这种方式方法来进行脑警惕度研究。算法[16]如下：〔1〕设一个长度为N的一维时间序列{x〔i〕，i=1,2,，n},对华而不实任意一个元素x〔i〕进行空间重构，得到一个重构向量：Xi=[x〔i〕，x〔i+l〕，，x〔i+m〔-1〕l〕],〔1〕华而不实，m为嵌入维数，l为延迟时间。经研究发现，嵌入维数与延迟时间影响信号的区分度以及信号的变化趋势，且嵌入维数m取3~9、时间延迟l取1~4范围内最佳，最终在本文中m取值为5,l取值为2.〔2〕对Xi的m个重构分量进行升序排列，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〕，此时就按j的大小进行排序，也就是当ji1ji2时，有x〔i+〔ji1-1〕l〕x〔i+〔ji2-1〕l〕，所以任意一个向量Xi都能够得到一组序列符号A〔g〕=[j1,j2,jm],〔3〕式中g=1,2,，k,且kml,m个不同的符号[j1,j2,，jm]一共有m!种不同的排列，符号序列A〔g〕是华而不实一种，记录每一个符号序列A〔g〕的出现次数Nk并计算其概率P1,P2,，Pk,km!,华而不实【公式1】排列熵H〔m〕大小表示了时间序列x〔i〕的随机程度，H〔m〕的值越大，讲明时间序列越接近随机；反之，则讲明时间序列越规则。3实验结果3.1数据标注本文的目的是为了验证排列熵方式方法研究警惕度的可行性，因而需要先对信号进行标注，作为验证该算法的先验知识，同时也能验证算法效果。本文的数据标注主要结合两部分内容：KSS主观量表以及PVT实验的平均反响时间和错误指标。3.1.1主观量表结果从表1中能够看到，在时段1时大部分被试的KSS评分得分为4分左右，这与大部分被试在任务刚开场时的警惕度状态相符合；在时段5时，KSS评分在8分左右，即有困意。能够看到，11名被试者的KSS的平均得分在整个实验经过中逐步升高，即为警惕度下降趋势。3.1.2PVT实验〔1〕平均反响时间本文对十一名受试者5个不同时段的PVT实验做了统计，并对11人5个时段的反响时间做了平均统计，从图2中能够看出，随着实验的进行，被试者脑力负荷不断加大，警惕度下降，被试者平均反响时间呈现明显上升的趋势。〔2〕错误指标本文将反响时间小于100ms的错误信号及反响时间大于500ms的失误信号合并为PVT错误指标并做了数据统计，其变化趋势见图3.从图中能够看出，随着时间的增加，脑力资源消耗增大，精神负荷量逐步增加，被试的错误指标数呈现明显的升高趋势。3.2脑电信号分析根据上文所介绍的方式方法，本文计算了被试者19导脑电信号的排列熵并绘制了脑地形图〔见图4〕.在图4中，排列熵在实验中一直处于下降的趋势，下降趋势具体表现出在整个脑区，这与KSS量表和PVT实验统计数据相吻合，且从时段3开场脑电复杂度明显下降，具体表现出复杂性的排列熵值明显降低；同时，通过图4可以以观察到，排列熵主要分布在脑区的顶叶和额叶两个区域，这与顶叶、额叶负责思维、演算、相应数学和逻辑相吻合，且随着负荷强度变大，被试者出现错误的概率提高，排列熵在以上两个脑区的熵值也呈现出明显的下降趋势。在得到排列熵算法计算得出的被试警惕度变化趋势后，为了验证该算法的优势及正确性，本文又提取了被试者脑电信号的非线性参数样本熵做扼要比拟。在样本熵算法中，所采用的数据和实验方式方法与排列熵算法一样。图5为本组受试者脑电信号样本熵的变化趋势图。从图5能够观察到，被试样本熵整体趋势为下降趋势，这与前文所述KSS、PVT所得数据以及排列熵所分析结果相吻合，但在时段2有一个明显的上升，与前文描绘叙述的趋势有一定差异不同。与排列熵相比，该算法同样有一定抗噪能力，仅需要较短的信号长度就可得到稳定值，但样本熵在算法原理上对数据有一定要求，需要限定在75~5000,且在该算法阈值r的选取上也有限定范围0.1~0.25,超出这个范围会导致知足条件的形式发生偏差。通过上面的比拟能够发现，同样作为非线性指标，排列熵较样本熵有着更简便的算法，对数据量的选取没有严格要求，且所求结果更接近警惕度变化趋势，所以本文得出的结论是排列熵算法在警惕度研究中切实可行。4讨论在警惕度研究中，以往的研究大多着眼于长时间脑力工作以后警惕度状态与初始状态的比照研究，而忽略了警惕度在整个经过中的变化趋势；研究方式方法大多集中在时域、频域分析，对于脑电信号非线性分析应用较少。本文针对这些现在状况，提出了用排列熵描绘叙述脑电信号时间复杂度的方式方法来研究在负荷状态下大脑警惕度的变化趋势，设计了三位数加减法的脑力负荷形式来引导被试者警惕度发生变化，并结合PVT实验的平均反响时间、错误指标数及KSS主观向量表对警惕度状态进行标记，计算了脑电信号排列熵并与上述标注数据及通用的样本熵算法进行了比对。结果显示该算法下整个脑区的排列熵峰值出如今顶叶和额叶两个区域，这与本实验设计中所采用的三位数加减法以增加大脑负荷有直接联络；随着被试者警惕度下降，整个脑区的排列熵都呈现出明显的下降趋势，且顶叶和额叶两区