刘学文，丁成义，王宁，袁道任，胡怡芳

　　（中国电子科技集团公司第二十七研究所，河南 郑州 450047）

摘要：利用多维EMD分解算法，在时域和空域上同时对信号进行多维度的经验模式分解，利用导联电极之间的关联信息，提高P300信号的提取准确度。在此基础上，以特定目标探测为应用目标设计了刺激范式，并进行了真实环境下特定目标的探测。以不同刺激间隔为调节参数，经过多轮次试验，获得了P300电位的识别准确率与刺激间隔的关系，该结论对P300电位在特定目标探测中的应用具有实际指导意义。

关键词：P300；经验模式分解；目标探测；脑电波

0引言

　　P300即为晚成分的第三个正波P3，由sutton等1965年所发现。P3波反映受试者对刺激的接受、处理以及反应等认知过程，其波幅和潜伏期能客观地反映受试者的认知能力［1］。

　　研究者发现P300成分实际上包括P3a和P3b两个子成分，其对应着不同的神经处理过程，其中P3a主要是由于分散事件（与任务无关的新异刺激）引起，而P3b主要是由任务靶刺激所引起，奠定了其在目标探测中应用的基础。

1P300电位应用的理论基础

　　在真实复杂场景刺激下，P300机制包括的激活网络（区域）、网络间的作用关系都可能与标准实验刺激下的情况存在差别，同时P300的响应强度在被试间存在一定的差异，当前对造成这些差异的机制还不清楚，可能会制约相关P300系统的实际应用。在Oddball实验刺激范式中，P300产生的条件如下［23］：

　　（1）反应任务的概率大小：低概率事件也会引发一个波幅更大的P300；

　　（2）被试的注意状态：P300的产生取决于被试的主动注意过程而非物理刺激本身；

　　（3）刺激的性质［4］：积极和消极刺激都比中性刺激能诱发更大P300波幅，这表明P300的出现依赖于被试对刺激性质的判断。

　　（4）实验范式［5］：采用两种或多种不同刺激持续随机交替出现，它们出现的概率显著不同，经常出现的刺激称为大概率（如85%）或标准刺激，偶尔出现的称为小概率（如15%）或偏差刺激，见图1（A）。还有其他的刺激范式序列，如图1（B）、（C）、（D）所示。在实验中实验者需要编制实验所需的刺激序列：包括刺激方式、刺激类型、刺激呈现时间、刺激、间隔、刺激总次数、刺激序列的随机出现、刺激概率等。

　　波形识别与测量是ERP研究的一个技术难点。可根据峰潜伏期、波形及其头皮分布，参照总平均图与文献进行判断，丰富的经验也是一个重要的因素，常见的处理方法有：波峰测量（包括波幅和峰潜伏期）、平均波幅测量、相减等。

2P300电位的应用

　　Rosenfeld［6］等利用P300进行测谎，获得了实验上的成功，为测谎开辟了一条新路径。梁健威［7］等基于多域融合与遗传算法对P300测谎进行了研究。张明岛［8］等研究表明，在大部分电极位置上，说谎和诚实状态下诱发出的关联性负变（CNV）波幅显著不同。

　　P300电位也可以用来判别某些被试感兴趣的特定目标，当目标的出现是小概率事件时，可以诱发P300的产生。

　　P300电位在特定目标探测等实际应用中具有以下难题需要解决：

　　P300电位的出现特性一般在300 ms～800 ms，如果考虑到大脑认知加工的参与，时间至少要控制到500 ms以上。为了尽量提高处理速度，P300电位必须发展单次/少次提取技术。

　　而单次刺激诱发的P300的波幅约2～10 μV，比自发脑电小得多，淹没在EEG中，二者构成小信号与大噪声的关系。P300电位的特征提取是个技术难点。

3算法的设计与实现

　　EMD已经在不同的应用场合证明了其具有良好的非平稳信号处理能力。已有研究人员将其应用于P300的少次提取中［910］，并取得了较好的效果。考虑到本项目针对的刺激场景的复杂性，其诱发的P300信号较常规实验的更弱，因此还有必要进一步提高P300单次提取技术的可靠性。

　　3.1算法设计

　　P300具有较广的空间分布，在大脑的多个区域都可以测得相应的P300信号。前面已有的研究表明，基于时空的方法能够较好地利用多个导联间的信息从而挖掘感兴趣的信号成分。因此本文尝试利用多维EMD分解技术，在时空上实现对信号的多个维度的经验模式分解，利用多个导联电极上的关联信息，提高P300信号的估计质量。

　　多维EMD［11］的核心是多维EMD分解，其具体实现流程如图2。

　　3.2算法效果评估

　　（1）数据获取

　　采用虚拟P300在线系统作为刺激，招募4个被试者参加试验，采样率1 000 Hz，带通滤波范围0.5～45 Hz，采集15导信号，总共有200 trial，目标靶刺激40个，标准刺激160个。选择在叠加平均后有较为明显的P300顶叶的P3、P4和中区的C3、C4上的EEG来进行P300的单次提取测试。

　　（2）算法性能评估指标

　　以相应导联上的叠加平均P300信号作为参考，利用单次获取的P300和该参考信号间的相关系数作为指标进行评估。相关系数越大表明算法性能越优越。将多维EMD和一维EMD的结果进行比较。

　　（3）多维EMD的提取结果

　　图3是利用多维EMD对一个P300 trial的分解模式结果。从图中可以看到，由于多维EMD分解考虑了不同导联上的时空约束关系，因此能够保证不同导联上的信号模式具有较好的频率一致性。

　　分别利用一维和多维EMD对每个被试的每个trial进行P300单次提取后，计算相应的每一道上的相关系数，然后求取其平均结果如图4所示。

　　从图4可以看出，一维和多维EMD分解方法都能够有效地提高相应P300的质量，在这两种方法中，多维EMD方法较EMD方法在指标上有一定的提高。

4目标探测实验及结果分析

　　（1）试验设计

　　以真实采集的环境图片作为标准刺激，标准刺激图像不变，靶刺激为设计在路上的正常尺寸的车辆和天空中闪现的尺寸较大的飞机。如图5所示。两种刺激符合Oddball范式。

　　在筛选较优被试的情况下，分别采用刺激间隔为50 ms、100 ms、200 ms，测试结果如表1。

　　从表1中可以看出，刺激间隔为100 ms的实验中5名被试取得的平均正确率明显高于另两种情况。但具体观察可以发现，并不是所有被试在刺激间隔为100 ms时的在线正确率最高，而且被试6有可能对P300电位不敏感，真正测试时不能够作为分析正确率的影响因子。分析原因可能是200 ms的刺激间隔太长，引起实验中的不适，他们在该配置下的正确率也都明显低于其他配置；50 ms刺激间隔太短，容易导致眨眼和疲劳，影响EEG信号。

　　图6给出了6名被试在三种刺激间隔配置参数下Pz电极通道的P300波形，该波形由实验数据中所有P300目图3多维EMD时空分解结果

　　标选择的数据段叠加求平均得到，其中点线表示时间间隔为50 ms，实线表示时间间隔为100 ms，虚线表示时间间隔为200 ms。　

　　从图6中可以看出， P300波形在50 ms、100 ms和200 ms刺激间隔下的幅度都呈现递增的现象，即越长的刺激间隔能够诱发幅度越大的P300波形，这与普遍观点一致。越短的刺激间隔诱发的P300波形峰值出现越早。总体而言，在刺激间隔为50 ms的情况下，潜伏期较短，幅度较小，相应在刺激间隔为200 ms的情况下，潜伏期较长，幅度较大。

5结论

　　多维EMD方法确实能够较好地应对P300中存在的非平稳性，能够提高单次P300的信号质量。相对于一维EMD，多维EMD方法由于利用了多个电极上的时空信息，能够有更可靠的提取性能，在P300在线目标探测识别系统中具有潜在的应用价值。

参考文献

　　［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］ 周爱保, 李世峰, 夏瑞雪,等. P300在自我研究中的应用与发展［J］. 医学与哲学，2012(7):4951.

　　［5］ 王兰, 杨巧丽, 武海明. 事件相关电位中P300成分的提取及分析研究［J］. 科技资讯, 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. 基于多域融合与遗传算法的P300测谎研究［D］. 杭州：浙江大学, 2015.

　　［8］ 张明岛. 脑诱发电位学［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.