时间：2015-12-20 17:17:19 所属分类：基础医学 浏览量:
引言 警觉度[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惕性的能力。随着现代科技的进步，人类在工作中的角色逐渐发生了改变：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
引言
警觉度[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惕性的能力。随着现代科技的进步，人类在工作中的角色逐渐发生了改变：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应：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应，就会造成无法挽回的后果。因此对于警觉度的研究也越来越广泛。
警觉度的研究发展到今天，已有七十多年的历史，对警觉度的检测方法包括主观评价、生物反应测试、生理信号检测、生物化学法[4-8]等四种主要方法。
其中生理信号是直接反映人体变化的信号，在警觉度检测中的应用越来越广泛。由于能够比较准确地反映大脑警觉度的变化，脑电信号的研究越来越受到学者的关注。但是由于脑电信号一般比较微弱，且容易受到环境的影响，因此对于脑电信号的研究目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觉度研究。排列熵作为一种较新的数学统计方法，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，该算法受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，在近几年也逐渐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识别；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劳程度检测的关系。以上研究都给本文的研究奠定了基础。因此本文试图用排列熵的方法对脑警觉度进行研究，分析人脑警觉度发生变化时脑电时间复杂度的变化趋势，为警觉度研究开辟一条道路。
1实验方法
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。实验室环境舒适且安静，室温保持26 ℃,尽量排除因环境因素所造成的警觉度发生变化的影响。所有被试在实验过程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4 096,采样率为256 Hz;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，严格按照流程进行实验操作，实验过程中不可退出。被试者在实验开始前一天要正常作息，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开始，实验室内无时间参考装置（环境无时间），保证被试不知道当前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：心算任务和警觉度任务 （psychomotor vigilance task,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，使被试警觉发生改变。任务要求被试完成出现在电脑屏幕上的160道三位数加减法计算题（其中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现在电脑屏幕中的一个黄色警报标记快速做出反应，当警报标记出现在屏幕中央时，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，提前按键或是按错键均认为是发生了错误。将五个PVT实验记为时段1到时段5,实验过程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（Karolinska Sleepiness Scale,KSS），对当前的警觉度状态迅速做一个评分。该量表将警觉度状态分为9个等级，分别为：极度警觉（计1分）；非常警觉（计2分）；警觉（计3分）；一般警觉（计4分）；不太警觉但也无困意（计5分）；有一些困意倾向（计6分）；有困意，但是不需要太多努力保持清醒（计7分）；有困意，且需要一定的努力保持清醒（计8分）；非常困倦，需要极大的努力保持清醒（计9分）。得分越高说明当前被试者警觉度状态越差。
2数据处理方法
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，在采集过程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（independent component analysis,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],因此本文提出了用这种方法来进行脑警觉度研究。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},对其中任意一个元素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）其中，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）如果存在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ji1<ji2时，有x（i+（ji1-1）l）≤x（i+（ji2-1）l），所以任意一个向量Xi都可以得到一组序列符号A（g）=[j1,j2,…jm], （3）式中g=1,2,…，k,且k≤ml,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）是其中一种，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,k≤m!,其中【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，说明时间序列越接近随机；反之，则说明时间序列越规则。
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法研究警觉度的可行性，因此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实验的平均反应时间和错误指标。
3.1.1主观量表结果
从表1中可以看到，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始时的警觉度状态相符合；在时段5时，KSS评分在8分左右，即有困意。可以看到，11名被试者的KSS的平均得分在整个实验过程中逐渐升高，即为警觉度下降趋势。
3.1.2 PVT实验
（1）平均反应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个时段的反应时间做了平均统计，从图2中可以看出，随着实验的进行，被试者脑力负荷不断加大，警觉度下降，被试者平均反应时间呈现明显上升的趋势。
（2）错误指标本文将反应时间小于100ms的错误信号及反应时间大于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.从图中可以看出，随着时间的增加，脑力资源消耗增大，精神负荷量逐渐增加，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，下降趋势体现在整个脑区，这与KSS量表 和PVT实验统计数据相吻合，且从时段3开始脑电复杂度明显下降，体现复杂性的排列熵值明显降低；同时，通过图4也可以观察到，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觉度变化趋势后，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简要比较。在样本熵算法中，所采用的数据和实验方法与排列熵算法相同。图5为本组受试者脑电信号样本熵的变化趋势图。
从图5可以观察到，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，与前文描述的趋势有一定差别。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75~5 000,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满足条件的模式发生偏差。
通过上面的比较可以发现，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觉度变化趋势，所以本文得出的结论是排列熵算法在警觉度研究中切实可行。
4讨论
在警觉度研究中，以往的研究大多着眼于长时间脑力工作以后警觉度状态与初始状态的对比研究，而忽略了警觉度在整个过程中的变化趋势；研究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。本文针对这些现状，提出了用排列熵描述脑电信号时间复杂度的方法来研究在负荷状态下大脑警觉度的变化趋势，设计了三位数加减法的脑力负荷模式来引导被试者警觉度发生变化，并结合PVT实验的平均反应时间、错误指标数及KSS主观向量表对警觉度状态进行标记，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现在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系；随着被试者警觉度下降，整个脑区的排列熵都呈现出明显的下降趋势，且顶叶和额叶两区下降趋势尤为明显，这与PVT试验中的平均反应时间、错误指标、KSS值的变化均相符，即该算法能够反映出在警觉度下降过程中脑电信号熵值的下降趋势。在算法比较上，本文将排列熵与样本熵做了比较，从结果中可以看出，与样本熵相比，排列熵更能准确地反映出警觉度下降过程中脑电信号熵的下降趋势，且算法简便，在数据长度要求上比样本熵更为宽松。
综上所述，排列熵可以作为研究大脑警觉的一种方法，且在今后的实验设计中，将继续加入诸如心电信号等多生理信号的联合分析，使实验结果更加客观可信。
转载请注明来自：http://www.zazhifabiao.com/lunwen/yyws/jcyx/20593.html
