Article Info

1.重庆电子工程职业学院通信系，重庆 401331；2.第三军医大学基础部基础医学教学实验中心，重庆 400038

[摘要]随着科技的快速发展，人们对于医学、生物学的关注度与日俱增，脑电信号作为最神秘器官的活动反映指示，它包含了大量的生理与疾病信息，对于生命科学的研究具有十分重大的意义。本文参照经典眨眼条件反射，搭建了实验平台，实验采用眨眼刺激法，刺激模型采用实时追踪模型和延迟模型，应用功率谱法对采集到的大鼠脑电信号进行特征信息提取，以此实现对大鼠脑电信号的特征信息分析比较。实验表明分析结果符合脑电信号的规律，与人工设置的实验条件结果一致。

0 引言

随着科技的快速发展，人民生活水平的提高，人们对于医学，生物学的关注度与日俱增。脑电图（Electroencephalography，EEG）可能是最为突出和神秘的脑功能特征，伴随认知、情感和行为过程的EEG振荡活动则称为事件相关振荡（Event-Related Oscillations，ERO）。虽然EEG很早已经用来检测和判断脑功能，基于EEG的神经反馈也被用来改善脑功能和治疗脑病，但是历经80年的研究，EEG产生机制和功能意义仍然未能完全澄清，有待于去发现[1]。脑电信号里面包涵着大量的大脑活动的信息，通过对脑电图的观察、研究，可以更加详细深入的了解大脑的工作状态及其活动规律[2]。通过对大鼠的脑电信号进行分析处理，可以从脑电信号里面提取到可靠且具有分析价值的特征参数，据此反映大脑的工作状态，这种方式已经成为了生理科学研究和临床诊断的最重要的手段之一，对于临床脑疾病诊断具有十分重要意义，同时也一直是国内外关于脑和神经科学研究的热点问题[3]。

对大鼠脑电信号的分析，很多学者做了大量研究。黄献等[4]采用功率谱熵对大鼠痫性发作预报开展了研究，采用常规的脑电图仪和功率谱熵分析软件对其进行脑电信号分析，获取的功率谱图不明显，结论不明确。封洲燕[5]应用小波熵分析了大鼠脑电信号的动态变化特性，虽然小波熵在某些情况下具有更好的分辨能力，但当某频谱带内的平均功率值保持不变时，它不能辨别频带内曲线的平坦和陡峭，其评定结果不全面。本文通过自制的大鼠脑电信号实验装置和数据采集方法，运用功率谱法进行分析以期获得直观明确的实验结果。

1 实验与方法

为了实现对于实验对象进行有效的训练，以及实验数据精确的提取，搭建实验平台用于完成对实验对象的训练及原始数据的提取，见图1。实验平台实现的功能是给实验对象两个不同的刺激，即一个声音刺激（CS）和一个吹气刺激（US）。在对实验对象进行刺激的同时，通过导线将实验对象的脑电信号连接到记录仪上，实验对象脑电信号的提取[6]。

图1 实验平台模型

实验平台模型主要由4个部分组成：训练箱、记录仪、音响和US刺激控制器。训练箱的功能是一个实验对象被训练，固定的场所；音响和US刺激仪的功能是实现对实验对象的刺激；记录仪实现的功能是通过导线连接实验对象的前额叶，将实验对象的脑电信号变化实时的记录下来，完成原始数据的记录。

（1）训练箱：这是大鼠进行试验的地方，将大鼠固定在箱子里面的泡沫上，用传感器连接上大鼠的前额叶，CS刺激连接到大鼠的耳部，US刺激连接到大鼠的眼部，同时将引线分别引出与外围器件相连，见图2。

图2 实验训练箱

（2）记录仪：4个记录仪可以完成对8个通道的记录，这里需要记录的分别是两只大鼠的长时间的CS、US和前额叶的脑电波图形，实现了将原始数据记录下来[7]。

（3）US刺激控制器：在CS刺激进行的同时，进行两种模型的刺激：实时追踪模型（Trace模型）；延迟模型（Delay模型）。Delay刺激是在CS刺激的最末端，当声音即将结束时给它一个US刺激；Trace刺激是在CS刺激结束之后，间隔一段时间马上又对它进行一个US刺激。

（4）音箱：是对实验对象大鼠进行CS刺激的工具。在医学上，营造一个声音环境，有助于加强实验对象对刺激的记忆，即对眨眼刺激的学习能力的加强。

为了对脑电信号进行分析，首先应该找出它的一些特征，然后进行放大来研究。因此应该对实现对象进行一个刺激，使它反映在脑电波形图上，然后将它的特征变化提取出来。对于脑电信号的提取，实验采用眨眼刺激法，即通过对实验对象眼睛进行吹气，通过记录仪连接，得到脑电信号的波形图[8-10]，刺激模型结构，见图3。

图3 刺激模型结构图

选取健康的实验对象，给它一个CS刺激和US刺激，然后通过导线相连将实验对象脑电波的变化输出，由记录仪记录下来。针对CS刺激和US刺激的选择建立两种刺激模型即Trace模型和Delay模型。实验对象的刺激时序图，见图4。

图4 实验对象的刺激时序图

Trace模型是先给实验对象一个3 kHz，85 dB的声音信号CS刺激，使它持续250 ms。在CS刺激信号结束100 ms后，再加入一个持续100 ms的US刺激信号，这个信号的作用使US刺激仪对实验对象的眼睛产生一个US刺激。

Delay模型是先给实验对象一个3 kHz，85 dB的声音信号CS刺激，使它持续350 ms，然后在CS刺激的最后阶段，同样产生一个信号触发US刺激仪，对实验对象眼睛产生一个US刺激。

Delay模型和Trace模型在医学上的区别在于Trace模型增加了学习难度，因为音乐环境有助于实验对象对于眨眼条件反射的学习能力的提高，而且Trace模型具有更长的反应时间[11]。

通过长时间反复的对实验对象进行刺激后，即对实验对象进行长时间的训练后，实验对象习得了眨眼条件发射。动物的脑电信号图，一般情况下会与最开始的脑电信号图发生一些较为明显的区别[12]，见图5。

从图5可以看出，参加了训练后实验对象脑电波图中产生了一些相当明显的变化，在对应的CS刺激开始阶段，刺激信号US开始阶段，以及US马上来临之前，脑电信号都有了较为明显的变化。为了能更加清楚的了解实验对象的变化，需要对脑电信号进行特征提取，条件反射（Conditioned Ref ex，CR）作为随训练变化的特征，是被重点研究的对象，因此需要确定提取具体的特征信息。CR的峰幅度：CR对刺激的反映强烈程度，及对US刺激的反映。对于学习眨眼的实验对象，峰幅度越大，认为它学的越好，CR习得率越高。CR的峰潜伏期：从CS开始阶段到CR峰值的这段时间。对于学习眨眼的对象，在它还没有学会之前，峰潜伏期为0，在它学会后，随着训练的进行，时间也越来越长，越接近US，它代表对眨眼能力掌握的熟练度越高，CR习得率越高。CR相对潜伏期：从CR峰值到US起点的这段时间，对于实验对象，学会后，随着训练时间的加长，CR相对潜伏期会越来越短。对于峰潜伏期和相对潜伏期来说，CR学习成功率越高，峰潜伏期就越长，相对潜伏期就越短，CR还有可能和UR连在一起。CR起始潜伏期：从CR起点到US起点。对于实验对象，也是CR起始潜伏期越小，就代表CR习得率越高。上面所有特征参数提取都是为了对CR习得率进行判断及对学习能力的判断，通过对这些统计数据分析可以判断出它是否符合脑电信号的变化规律，从而检验是否成功实现了对脑电信号的提取与分析[13-15]。

图5 参加训练后的实验对象脑电波模拟图

注：SR：惊吓反射；UR：非条件反射；CR：条件反射。

采集获取的脑电信号呈现的是时间与信号幅度的关系[16]，由于采集脑电信号的随机噪声较大，有效信号会淹没在噪声中，但仅从频谱的角度来分析脑电信号也难以识别有效信号特征，因此采用功率谱分析法判断脑电信号的特征信息是一种值得尝试的分析手段。

从图5可以看出，脑电信号与其它信号相比具有非线性、幅度更小、干扰信号更多的特点，为了能更好的对特征进行提取分析，采用自相关法（Blackman-Tukey法）来对采集的脑电信号进行功率谱估计，减少干扰信号的影响，突出脑电特征信号。自相关法功率谱估计的原理[17-19]：由Wiener-Khintchine定理，一个平稳随机过程的功率谱为自相关函数的傅里叶变换：

从上式可知，在无限长序列上采用有限长窗口（矩形窗）截取，就可以获得平稳随机过程的功率谱的估计。

2 结果

实验分别于训练后的第9天和第11天采集实验对象的肌电信号和脑电信号并开展功率谱分析，见图6。从中可以看出当CS刺激信号发生时，动物的肌电信号（Electromyography，EMG）均有明显的反应，且第11天检测到的肌电信号说明动物在经过训练后只要CS信号发生，肌电信号就会反应明显（与图6 (a) 训练第9天的EMG信号对比），说明肌电信号的特征信息可以通过时域波形图观察。但从图6中观察到EEG信号没有明显的差异，说明仅从时域波形去观察和分析脑电信号的特征信息不明显且难以判断。

图6 Trace模型下肌电/脑电信号

Trace模型下第9天和第11天脑电信号的功率谱分析结果，见图7。对比图7 (a) 和 (b)两幅功率谱图，可以明显看到训练第11天后的脑电信号功率谱强于第9天的脑电信号功率谱，因此功率谱分析方法应用于脑电信号的特征信息提取是有效的且特征对比明显。

3 结论

通过以上实验分析，可以明确的得出以下结论：实验原理采用经典的眨眼条件反射，刺激模型采用Trace模型和Delay模型，采集获取的脑电信号呈现的是时间与信号幅度的关系，由于采集大鼠脑电信号的随机噪声较大，脑电信号的特征信息不明显，因此应用功率谱法对采集到的脑电信号进行特征信息提取，结果表明通过功率谱图可以特征信息明显，分析结果符合脑电信号的规律，与实验条件结果一致。

图7 Trace模型下脑电信号的功率谱图

[1] Adeli H,Zhou Z,Dadmehr N.Analysis of EEG records in an epi-leptic patient using wavelet transform[J].Neurosci Methods,2003,123(1):69-87.

[2] Yu G,Qi L,Sun Y,et al.Impulse noise removal by a nonmonotone adaptive gradient method[J].Signal Processing,2010,90:2891-2897.

[3] Yu G,Huang J,Zhou Y.A descent spectral conjugate gradient method for impulse noise removal[J].Applied Mathematics Letters,2010,23:555-560.

[4] 黄献,宋治,郑文.功率谱熵对大鼠痫性发作预报的评估意义[J].中南大学学报(医学版),2009,34(8):776-780.

[5] 封洲燕.应用小波熵分析大鼠脑电信号的动态变化特性[J].生物物理学报,2002,18(3):325-330.

[6] 王晓,吴广延,吴冰,等.CS-US非配对刺激易化豚鼠经典瞬目条件反射的建立[J].第三军医大学学报,2015,37(19):1960-1965.

[7] 韩尧,汤戎星,周瑾,等.基于微电极阵列的多通道电生理检测系统的研制[J].生物医学工程研究,2012,31(4):214-219.

[8] 林曦,胡波,万子兵,等.一种简易的豚鼠眨眼反应测量方法[J].第三军医大学学报,2008,30(24): 2340-2342.

[9] 季忠,秦树人.时频测试方法在脑电信号分析中的应用[J].重庆大学学报(自然版),2003,26(11):1-5.

[10] 薛年喜.MATLAB在数字信号处理中的应用[M].北京:清华大学出版社,2003: 252-288.

[11] 李颖洁,樊飞燕,陈兴时.脑电分析在认知研究中的进展[J].北京生物医学工程,2006,25(3):321-324.

[12] Vaughan TM,McFarland DJ,Schalk G,et al.The wadsworth BCI research and development program: At home with BCI[J].IEEE Trans Neural Syst Rehabil Eng,2006,14(2):229-233.

[13] 杨彬.基于脑-机接口的想象运动脑电信号的分析[D].兰州:兰州理工大学,2008.

[14] Yuan H,He B.Brain-computer interfaces using sensorimotor rhythms: current state and future perspectives[J].IEEE Trans Biomed Eng,2014,61(5):1425-1435.

[15] McFarland DJ,Krusienski DJ,Sarnacki WA,et al.Emulation of computer mouse control with a noninvasive brain-computer interface[J].J Neural Eng,2008,5(2):101-110.

[16] Hwang HJ,Kim S,Choi S,et al. EEG-based braincomputer interfaces: a thorough literature survey[J].Int J Hum Comput Interact,2013,29(12):814-826.

[17] Friedrich EVC,Scherer R,Neuper C. Stability of event-related (de-)synchronization during brain-computer interface-relevant mental tasks[J].Clin Neurophysiol,2013,124(1):61-69.

[18] Pfurtscheller G, Lopes da Silva FH.Event-related EEG/MEG synchronization and desynchronization: basic principles[J].Clin Neurophysiol,1999,110(11):1842-1857.

[19] Gouy-Pailler C,Congedo M,Brunner C,et al.Nonstationary brain source separation for multiclass motor imagery[J].IEEE Trans Biomed Eng,2010,57(2):469-478.

ZHANG Hui-min1,2, SUI Jian-feng2
1. Department of Communication, Chongqing College of Electronic Engineering, Chongqing 401331, China; 2. Experimental Center of Basic Medicine, College of Basic Medical Sciences, Third Military Medical University, Chongqing 400038, China

Abstract：With the rapid development of technology, analyzing EEG (electroencephalogram) plays an essential role in modern biological and medical research. EEG, as the most mysterious organ indicated signal, contains a large amount of physiological and disease information. Therefore, its research for study of life sciences has signif cant meaning. With reference to classical eye-blink conditioning experiment, an experiment platform was built in this paper. The experiment took the method of eye-blink stimulation, and the stimulation model used real-time trace model and delay model. Power spectrum was used to extract, analyze and compare the EEG features in rats. The experiment showed that the analysis results of EEG with power spectrum were in accordance with the law of the EEG signal and also were consistent with the manually-setting results.

Key words：electroencephalogram; power spectrum; characteristic signal; eye-blink conditioning

通讯作者：张慧敏，副教授，主要研究方向智能信号处理，模式识别。

基于功率谱法对大鼠脑电信号的特征信息分析

0 引言

1 实验与方法

2 结果

3 结论