基于腦認知信號的水聲信號智能辨識方法探索研究

袁道任 蔡玉寶 胡爭爭 馬留洋

摘 要：水聲信號辨識技術是實現水下武器裝備智能化的關鍵技術之一。由于極其復雜的水下背景環境，水聲信號辨識技術發展緩慢。為探索研究新型水聲信號辨識技術，本文提出基于腦認知信號的水聲信號辨識方法。從大腦認知出發，獲取水聲目標信號辨識時的腦認知信號，通過范式設計，構建水聲目標與腦認知信號的相關模型，并驗證腦認知信號用于水聲信號辨識的可行性。

關鍵詞：腦認知信號；水聲信號；智能辨識；響應特征

中圖分類號：TN911.7 文獻標識碼：A 文章編號：2096-4706（2019）04-0032-03

Research on Intelligent Identification of Underwater Acoustic Signals Based on

Brain Cognitive Signals

YUAN Daoren，CAI Yubao，HU Zhengzheng，MA Liuyang

（The 27th Research Institute of China Electronic Science and Technology Group Corporation，Zhengzhou 450047，China）

Abstract：Identification of underwater acoustic signal is one of key techniques to realize the intelligent submarine weapon. However，this technique develops slowly due to the extremely complex submarine environment. In order to explore a new underwater acoustic signal identification technology，this paper proposes an underwater acoustic signal identification method based on brain cognitive signals. Starting from brain recognition，the brain cognitive signals are acquired when underwater acoustic target signals are identified. Through the paradigm design，the correlation model between underwater acoustic target and brain cognitive signals is constructed，and the feasibility of using brain cognitive signals for underwater acoustic signal identification is verified.

Keywords：brain cognitive signals；underwater acoustic signals；intelligent identification；response characteristics

0 引 言

水聲信號辨識是水聲對抗的一個重要環節，而聲納是最有效的水下遠程目標探測工具，聲納利用聲波對水下目標進行探測、定位和辨識[1-3]。由于極其復雜的水下背景環境中，傳輸信道多且復雜、混響的影響、目標的輻射聲場和受激產生的散射場復雜，以及受系統的自噪聲與環境噪聲的影響，水聲信號辨識技術發展緩慢。水聲信號辨識是聲納后置數據處理的一個重要環節，分為主動和被動。主動聲納辨識是利用主動聲納發射脈沖聲信號，根據接收到的回波信號特性對目標類屬性做出判別；被動聲納辨識則利用被動聲納接收到的目標信息的多種參數，包含螺旋槳的槳葉數、目標轉速以及發動機的汽缸數等表征目標的特征進行辨識。傳統的水聲信號辨識方法受限于水聲系統的帶寬、傳輸等，信號辨識處理較慢，且其分類準確率受聲納員自身因素影響較大[4，5]。

為探索研究新型水聲信號辨識技術，本文提出基于腦認知信號的水聲信號辨識方法。從大腦認知出發，獲取聲納兵在水聲目標信號辨識時的腦認知信號，通過范式設計，構建水聲目標與腦認知信號的相關模型，并驗證腦認知信號用于水聲信號辨識的可行性。

1 理論分析

人類聽覺系統信息處理方式能夠在不同頻率、不同環境的聲場中有選擇地注意自己感興趣的聲音，對聲音源位置的變化較敏感。

被動聽音腦認知信號是由聽覺刺激產生的生物電，稱為聽覺誘發電位，主要是聽覺事件相關電位（Auditory Event-Related Potential，AEP）。AEP是大腦對外界固定的聽覺刺激響應的皮層電活動。典型的AEP信號波幅約2～10μV，從刺激開始后產生若干成分，如圖1所示，與聽覺認知有關的成分主要有P1、N1、P2、N2、P3和N400等[6，7]。

生物聽覺具有卓越的信息感知與辨識能力，被動聽音腦認知信號是人類認知的表現之一，通過對被動聽音腦認知信號的解析、解碼，實現水聲信號解析。借鑒或利用生物在特征提取方面具有的突出的能力，進而拓展研究思路和成果，進行信息融合，最終完成對水聲信號的智能辨識。AEP是與注意相關的信號，對新異性目標的出現有較強的反應幅度，而且新異性越強幅度越高，有利于模式識別算法對信號進行處理，能夠很好地保證識別準確率和識別時間。

2 實驗范式設計

被動聽音實驗范式中設定實驗時間長度、刺激間隔以及刺激模式（音頻刺激的頻率、信噪比等）等參數，具體實驗范式流程如圖2所示。

每個實驗周期內，將非靶刺激、靶刺激水聲信號隨機排序組成一個trial，單個trial中至少包含一個靶刺激。連續兩個trial中刺激信號播放順序不同，每個信號播放完成有一個很短的停頓，通過控制停頓間隔的長短，控制音頻信號播放的連續性。每個trial結束后有一定的時間間隔，受試者可以適當休息，每組實驗包含25個trial。

腦認知信號隨著狀態的變化而變化，通過腦區選擇被動聽腦認知信號變化明顯的導聯通道，降低信息冗余干擾和降低特征維數。根據實驗研究，被動聽音腦認知信號響應區域選擇枕區六個電極PO3、PO4、O1、O2、Oz和POz的數據進行分析處理。

3 實驗結果與分析

本研究采用模擬試驗與真實試驗兩種途徑，針對水聲信號，分別開展被動聽音腦認知信號解析研究。

3.1 模擬試驗

模擬試驗采用水聲信號的采樣頻率為25kHz，時長為2s。非靶刺激為0～2kHz的帶限白噪聲，靶刺激頻率為1000Hz，采用譜級信噪比SNR=30dB。

采用第2部分的范式設計，采集模擬試驗的被動聽音腦認知信號，實驗結果如圖3所示，對于同一模擬信號的辨識結果略有差異，但都表現在300ms到500ms之間，且對30dB音頻信號具有很好的辨識度。模擬試驗結果表明，腦認知信號用于水聲信號智能辨識是可行的。

3.2 真實試驗

根據模擬試驗確定的范式設計方案和腦認知信號的分析方法，挑選優異被試，開展真實試驗。真實試驗選取一段水下單一目標的被動聲納信號以及噪聲信號，設計成被動聽音組合范式，采集被試腦認知信號。對所有導聯分別進行疊加平均，觀察疊加后腦認知信號波形，根據不同被試針對真實水聲目標信號的響應度，對每一導聯的所有trial的腦電數據進行t檢驗和方差分析，進一步驗證腦認知信號用于水聲信號的智能辨識的可行性。

下圖4為真實水聲信號的被動聽音腦認知信號響應度特征分析結果，結果表明：經過試驗訓練后，腦認知信號特征差異性明顯提升。

3.3 結果分析

研究采用目標信號與非目標信號的t檢驗分布，檢驗兩個樣本平均數與其各自所代表的總體的差異是否顯著，進而進行水聲信號特征量響應度統計。

其中，和為目標音頻靶刺激與非目標音頻標準刺激兩樣本方差，n1和n2為兩樣本容量。然后對兩類腦電信號進行t檢驗，繪制出兩類信號在200-400ms時間段的響應情況，根據響應結果判斷響應度結果統計。設定靶刺激數固定為50個目標信號刺激，即M=50；通過算法分析，統計具有t檢驗分布的特征響應次數N，計算P=N/M×100%，試驗結果統計如表1所示。

4 結 論

本研究提出基于腦認知信號的水聲信號智能辨識方法，從大腦認知出發，獲取水聲目標信號辨識時的腦認知信號，通過刺激范式設計，設計信號解析算法，驗證了腦認知信號用于水聲信號辨識的可行性，而且響應度大于95%。

然而仍有一些問題有待進一步進行研究：（1）針對不同被試群體，需要構建自適應的特征模型，實現響應度的普適檢測；（2）進一步探索不同水聲信號多目標的智能辨識等；（3）進一步開展基于腦認知信號的辨識分類研究。

參考文獻：

[1] Li W，Zhou S，Willett P，et al. Preamble Detection for Underwater Acoustic Communications Based on Sparse Channel Identification [J]. IEEE Journal of Oceanic Engineering，2017：1-13.

[2] Mandar Chitre，Shiraz Shahabudeen，Milica Stojanovic. Underwater Acoustic Communications and Networking：Recent Advances and Future Challenges [J]. Marine Technology Society Journal，2008，42（1）：103-116.

[3] ALLEN N，HINES P C，YOUNG V W. Performances of human listeners and an automatic aural classifier in discriminating between sonar target echoes and clutter [J]. Journal of the Acoustical Society of America，2011，130（3）：1287-1298.

[4] B. C. J. Moore，ANSI S3.4-2005 （Revision of ANSI S3.4-1980），Procedure for the computation of loudness of steady sounds，Acoustical Society of America，2005.

[5] Xiangyang，Zeng，Jiaruo，He，Lixiang，Ma. Image Representation of Acoustic Features for the Automatic Recognition of Underwater Noise Targets [C]// Intelligent Systems （GCIS），2012 Third Global Congress on. S.l.：s.n.，2012：144-147.

[6] Andrew Lotto，Lori Holt. Psychology of auditory perception [J]. Wiley Interdisciplinary Reviews：Cognitive Science，2011，2（5）：479-489.

[7] Murphy S，Hines P. Aural classification and temporal robustness [R]. Tech. Rep.，DRDC Atlantic TR 2010-136，2010.

作者簡介：袁道任（1987.10-），男，漢族，河南鄭州人，碩士研究生，研究方向：生物電子信息，模式識別等。