腦電信號中獨立分量特征提取與腦力負荷分類

曲洪權， 單一平， 劉欲哲， 龐麗萍， 范占利， 王 浚

(1.北方工業大學信息學院， 北京 100144； 2.北京航空航天大學航空科學與工程學院， 北京 100191)

腦力負荷也可以稱為心理負荷、精神負荷，可表示操作人員在單位時間內的腦活動量、心理壓力或信息處理能力[1]。腦力負荷通常與操作人員的知識、個性、任務類型及生理變量等因素密切相關[2]。研究表明，過高的腦力負荷會造成操作人員疲勞加快和靈活性降低，容易引起信息獲取分析的失誤和決策錯誤，進而造成作業績效下降; 而過低的腦力負荷會造成人力等資源浪費，導致作業績效的下降[3]。腦力負荷是分析和實現人機協作任務的關鍵因素，因此提高腦力負荷分類準確性、準確評估操作員腦力負荷具有重要意義。

傳統的評價腦力負荷的方法有NASA-TLX(task load index)主觀量表法、主任務績效法和輔助任務績效法[4]。但每種評價方法都有缺點：主觀量表法缺乏客觀性，主任務績效法的敏感性受任務績效參數的制約，輔助任務績效法對主任務有侵入性，在實際應用時有局限性[5]。

隨著軟硬件的發展，測量操作人員生理數據對研究腦力負荷有明顯優勢，采集的數據更為客觀并可以實時采集，而且佩戴設備對任務干擾小[6-7]。為尋求對腦力負荷狀態的有效評估，研究者做出諸多有益嘗試[8-9]。有研究發現腦電(EEG)信號可以直接反映大腦活動的神經生理信號，與操作人員信息處理作業的實時腦力負荷狀態相關性很高[10]。因此，基于EEG信號分析實現腦力負荷分類成為了研究的重點。

早期研究表明腦電不同頻段的能量對腦力負荷變化敏感程度不同，當操作人員進行難度低的任務時，腦電中的 alpha頻段最為活躍[11]；當操作人員處于困倦狀態時，theta頻段會明顯增強[12-13]；當操作人員具有功能障礙時，gamma頻段會出現異常[14]。所以，早期研究中偏重于意義較明確的alpha、beta、theta波段的規律性研究。

近年來，機器學習迅猛發展，越來越多的研究人員將注意力集中在運用機器學習算法[15]來探索腦電圖與精神負荷水平之間的對應關系，建立腦力負荷分類器。劉維平等[16]通過建立EEG信號特征空間來反映腦力負荷狀態，并基于粒子群優化(PSO)算法和支持向量機(SVM)構建乘員信息處理作業腦力負荷狀態識別模型。Zhao等[17]提取腦電信號的頻域特征并歸一化，采用SVM算法對跨任務腦力負荷水平進行建模達到評估異常檢測的目的。

目前常用的腦力負荷分類方法都是基于混合腦電信號進行分析，該類方法在一定程度上實現了腦力負荷狀態的有效評估，但也存在局限性。因為從腦電圖電極記錄的通道信號是一組腦信號的混合信號(與多源混合語音信號類似)，混合過程中導致部分腦信號特征被掩蓋，直接分析混合信號不利于區分腦信號的特性。因此，本文借鑒分離多源混合語音信號進而獲得純信號的方法[18]，針對視覺和操作類任務，提出一種基于腦電獨立分量特征的腦力負荷分類方法。該方法可以通過如下四個步驟來實現：先對測量的腦電信號進行濾波，使用獨立分量分析(ICA)獲得腦電獨立分量，然后提取其能

量特征，并進行分類。該方法直接對獨立分量進行特征提取更易得到具有差異性的特征，從而獲得更好的腦力負荷分類效果。

1 數據采集

本實驗利用Neuroscan Neuamps系統(Synamps2, Scan4.3, EI Paso, USA)以1 000 Hz的采樣率采集32通道腦電信號， A1和A2為參考電極。32個腦電采集通道布局如圖1所示。

圖1 通道分布Fig.1 Channel location

實驗選取10位被試，所有被試均為同一專業研究生，在一定程度上控制被試的個體差異。所有被試身體狀況良好，并對10名被試進行實驗操作培訓，保證每名被試對實驗任務熟練掌握。實驗平臺為MATB II，設有三個實驗水平：低喚醒、適中負荷、超負荷。實驗任務界面如圖2所示。

不同負荷時，被試需要完成不同難度的視覺和操作類模擬飛行任務，任務難度通過四個子任務呈現頻率來界定，四種子任務具體內容如下：

(1)系統監控任務：監控左上側系統監控任務狀態，當F1～F4出現向上或向下異常時，用鼠標點擊相應位置進行響應。

圖2 MATB Ⅱ任務界面Fig.2 The task interface of MATB Ⅱ

(2)追蹤監控任務：監控中上部追蹤監控任務狀態及位置信息，當由自動變為手動時，需立即按鍵盤左方向鍵進行響應，然后控制搖桿保證圓心對準十字中心。

(3)通信監控任務：監控右側通信監控任務欄及即將發生的通信任務，當觀測到通信任務出現時立即按鍵盤右方向鍵進行響應。

(4)資源管理任務：監控中下部資源管理油箱A、B、C、D油量狀態及油泵出現故障信息，當出現故障時，需用鼠標點擊相應油泵。

三種負荷下四個任務出現的頻率如表1所示。

表1 四種子任務出現頻率Table 1 Occurrence frequency of four sub-tasks

2 原理介紹

2.1 獨立分量分析

本文采集的腦電信號是采用非侵入式的測量技術，電極點被設置在頭部表面的位置。人的每個思維過程，都會有很多神經元被激活。每個電極點測量的信號(x1,x2,…,xm)是多個神經元混合信號(s1,s2,…,sn)，且混合方式取決于神經元到電極點的距離aij(i=1,2,…m,j=1,2,…n)[19]，而且同一個人只有一種混合的方式。混合過程如圖3所示。

圖3 腦電信號混合過程Fig.3 Signal mixing process of EEG

獨立分量分析是一種盲源分離方法[20]可以實現對未知混合信號的分離。對于采集的由獨立源信號混合而成，且混合的過程未知的腦電信號，可以用獨立分量分析技術進行信號分離。

由n維獨立分量s1(t),s2(t),…,sn(t)線性混合而成的m維觀測信號x1(t),x2(t),…,xm(t)可以表示為

xj(t)=aj1s1(t)+aj2s2(t)+…+ajnsn(t),

j=1,2,…,m

(1)

進而可以寫為

X(t)=AS(t)

(2)

式(2)中：X(t)=[x1(t),x2(t),…,xm(t)]T為采集到的m維觀測信號；A為m×n維混合矩陣，表示信號的混合情況；S(t)=[s1(t),s2(t),…,sn(t)]T是n維相互統計獨立的源信號。A與S(t)都是未知的，獨立分量分析利用觀測到的隨機矢量數據X(t)對它們進行估計。

2.2 特征提取方法

研究中常把腦電信號做時頻變換，求得不同頻率上的功率譜密度，并將同一腦電節律下功率譜能量的平方和作為該節律的能量特征使用。由于頻域特征和腦力負荷間存在較為明顯的變化關系，因此這一種特征與腦力負荷的相關度較高，進行腦力負荷估計時效果較好。因此本文對腦電獨立分量提取腦電信號的能量特征。功率譜密度是提取頻域特征的一種主流方法，將信號切片處理后進行傅里葉變換,公式為

(3)

式(3)中：e-int表示復正弦函數。

根據式(4)計算出相應的功率譜密度：

(4)

式(4)中：p(n)為功率譜密度；F*(n)是F(n)的共軛；N是信號長度。

眾多研究證明人的腦力狀態與四種節律有關[21-23]。根據腦電信號頻段分布，可以分為δ(0.5～3 Hz)、 θ(4～7 Hz)、 α(8～13 Hz)和β(14～30 Hz)。四種頻段，每個頻段的能量特征計算公式如下：

(5)

式(5)中：pfreq指一定頻率值下的功率譜密度；Eδ、Eθ、Eα和Eβ表示腦電獨立分量提取的四種能量特征。

2.3 SVM分類器

現選擇支持向量機[24-25]作為分類方法。將三種負荷分別提取的能量特征作為支持向量機的輸入，進行腦力負荷分類。在研究中針對不同被試選擇網格搜索法篩出最優模型參數，其中核函數選擇高斯核；C為懲罰系數，表示對誤差的寬容度；gamma是選擇“rbf”作為核函數所需要的參數，表示支持向量的個數，并且在分類算法中進行k折交叉驗證，保證模型的魯棒性，減少過擬合。

2.4 分類器性能評估方法

統計假設檢驗為學習器(本文為分類器)性能比較提供重要依據。基于假設檢驗結果可以推斷出，若在測試集上學習器A比B好，則A的泛化性能是否在統計意義上優于B，以及這個結論的把握有多大。其中，“假設”是指對學習器泛化錯誤率分布的某種判斷或猜想。

為評估對比實驗中三種不同分類器的性能，本文選擇“交叉驗證T檢驗”進行驗證。交叉驗證需要測試錯誤率為泛化錯誤率的獨立采樣，但由于樣本數量有限，不同輪次的訓練集會有一定程度重疊，為減輕這個問題，本文采用5次2折交叉驗證[26]。

(6)

對每次2折實驗的結果都計算其方差：

(7)

最后計算表示顯著性的τ值：

(8)

式(8)中:τ服從自由度為5的t分布，當α=0.05時臨界值為2.57。分類器性能差異的顯著性可由τ值判斷，大于臨界值表示顯著性強。

3 方法比較

3.1 腦力負荷分類方法比較

為保證實驗的有效性，根據“高績效”和“少偽跡”兩個準則留下7名被試的實驗數據用以后續分析。“高績效”準則指操作績效準確率應大于90%，“少偽跡”指原始腦電數據中偽跡累計不能超過5 min。本文對每種負荷的數據做同樣的處理，以1 s為單位，截取每種負荷中間600 s的數據，即每種負荷劃分600個樣本，三種負荷共計1 800個樣本。具體處理流程如圖4所示。

圖4 三種腦力負荷對比方法流程Fig.4 The implementation of three mental workload classification

(1)方法1：腦電獨立分量特征直接分類方法。該方法是本文提出的方法。先對采集的腦電信號濾波，再用ICA將其分離為30個腦電獨立分量(為保證每個被試解混合后的獨立源具有一致性，每個被試采用統一的解混合矩陣；分離的獨立分量個數可以人為設置，本文選擇與腦電信號通道數一致的30個)，之后直接提取頻域能量特征，先對每個樣本傅里葉變換到頻域，再計算功率譜密度，最后計算四個不同頻段內能量的累積量，即每個樣本提取120(30×4)維特征。采用SVM分類器對1 800×120維的樣本進行分類，分類算法中選擇網格搜索法篩出最優模型參數，同時進行交叉驗證，保證模型的魯棒性，減少過擬合。

(2)方法2：腦電信號直接分類方法。該方法先對采集的腦電信號濾波，直接對濾波后的腦電信號進行能量特征提取，過程同方法1，得到120(30×4)維特征。最后采用SVM分類器對1 800×120維的樣本進行分類。

(3)方法3：去除眼電偽跡的腦電獨立分量直接分類方法。該方法先對采集的腦電信號濾波，再對原始腦電信號進行ICA分離得到30個獨立分量，用一種結合時間和空間特征的腦電信號自動檢測方法(ADJUST)[27]方法篩除2個眼電偽跡成分，直接對剩余的28個腦電獨立分量進行特征提取和SVM分類，原理同方法1，即每個樣本提取112(28×4)維特征。

3.2 腦力負荷分類方法比較結果

三種腦力負荷辨識方法的對比結果如表2所示。為直觀對比不同方法對腦力負荷分類精度的結果，將表2用曲線圖展示，結果如圖5所示。

表2 腦力負荷分類精度對比

圖5 三種方法分別進行腦力負荷分類的準確度Fig.5 The classification accuracy of three mental workload classification

由圖5、表2，本文得出如下結論：

(1)通過方法1與方法2的結果對比發現：方法1是本文提出的基于腦電獨立分量特征分類的方法，分類精度在61%～86%，平均分類精度為74%。方法2是腦電信號特征分類方法，分類精度在38%～49%，分類精度提高23%～40%，平均分類精度為44.86%。方法1比方法2精度提高29.14%。結果表明在腦電獨立分量維度對腦力負荷進行分類，精度有明顯提高。

(2)通過方法1與方法3的結果對比發現：在獨立分量維度進行腦力負荷辨識，準確率較高，且兩種方法平均分類精度相差0.14%，并無明顯差異，可以說明腦電獨立分量是否去除眼電分量對腦力負荷分類的準確度影響并不顯著。

3.3 分類器模型評估

本文中進行兩個假設：

假設1方法1和方法2的分類器性能相同且α=0.05。對方法1和方法2分別進行5次2折交叉驗證，得到τ1。

假設2方法1和方法3的分類器性能相同且α=0.05。對方法1和方法3分別進行5次2折交叉驗證，得到τ2。兩組τ值如表3所示。

由表3中τ1大于臨界值(2.57)，可知假設1不成立，即方法1和方法2有顯著區別。同時，由分類精度可知方法1錯誤率遠小于方法2 ，所以方法1分類器性能好。同理，小于臨界值可知假設2成立，即方法1和方法2無顯著區別且由分類精度可知方法1錯誤率與方法2基本持平，所以兩個分類器性能無明顯區別。

表3 τ值對比

4 結論

在本項研究中，針對視覺和操作類的腦力負荷提出了一種新的辨識方法，得到如下結論。

(1)該方法可以準確進行腦力負荷辨識，運行過程中無需任何用戶交互。提出的全自動腦力負荷辨識方法實現了74%的平均分類準確率，與對原始數據直接處理的腦力負荷辨識方法相比，分類準確率平均提高29.14%。所以，提出的基于腦電獨立分量特征的腦力負荷分類方法分類準確率優于基于腦電信號特征的腦力負荷分類方法。

(2)通過對比實驗結果，發現腦電獨立分量中存在的眼電分量對腦力負荷辨識無明顯影響。在使用ICA分離得到獨立分量維度，對人工篩除眼電偽跡和保留眼電偽跡的獨立分量分別進行腦力負荷分類，平均分類精度基本持平。所以，針對視覺和操作類的腦力負荷辨識問題，認為是否去除腦電獨立分量中存在的眼電分量對腦力負荷辨識無明顯影響。