2013年--生物醫(yī)學工程 外文翻譯---基于重采樣空間濾波器方法提取失匹配負波（譯文）

1、<p><b>　　中文13300字</b></p><p>　　出處：Lin Y, Wu W, Wu C, et al. Extraction of mismatch negativity using a resampling-based spatial filtering method[J]. Journal of neural engineering, 2013, 10(2)

2、: 026015.</p><p>　　基于重采樣空間濾波器方法提取失匹配負波</p><p>　　Extraction of mismatch negativity using a</p><p>　　resampling-based spatial filtering method</p><p>　　學 部（院）： 電信學

3、部 </p><p>　　專 業(yè)： 生物醫(yī)學工程 </p><p>　　學 生 姓 名： </p><p>　　學 號： </p><p>　　指 導 教 師：

4、 </p><p>　　完 成 日 期： </p><p>　　基于重采樣空間濾波器方法提取失匹配負波</p><p>　　Yanfei Lin1, WeiWu1,2, ChaohuaWu1, Baolin Liu3 </p><p>　　and Xiaorong Gao1</p>&

5、lt;p>　?。? 清華大學醫(yī)學院，北京 100084，中國</p><p>　　2 華南理工大學自動化科學與工程學院，廣州 510641，中國</p><p>　　3 天津大學計算機科學與技術學院，天津 300072，中國）</p><p>　　目的：對于失匹配負波（MMN）的提取，目前所存在的困難是如何利用較少的EEG單一實驗次數提取MMN波形。</

6、p><p>　　方法：本文提出了一種結合重采樣技術與空間濾波技術的新的波形處理方法。具體來說，這個方法的第一步為重采樣求差,隨機采樣標準波形和偏差波形，再由偏差波形減去標準波形求兩者之差；第二步為利用信噪比最大化（SIM）空間濾波器提取MMN成分。SIM算法可以通過最大化ERP的信噪比來改善MMN的提取效果。通過數據仿真來評估該方法的參數（包括三個參數：單一實驗次數，重復SIM次數，采樣時間點）對處理結果的影響。&l

7、t;/p><p>　　結果：結果表明利用此種方法提取MMN是可行且可靠的。利用經典oddball實驗范式，選用不同頻率的聽覺刺激，11名成年受試者，記錄較少單一實驗次數的EEG數據（偏差刺激50次，標準刺激250次）。結果表明該方法可從每位受試者的EEG數據中有效提取出MMN。</p><p>　　意義：偏差幅度大的刺激與偏差幅度小的刺激相比，前者提取出的MMN有明顯較大的波峰幅值和較短潛伏期

8、，這與以前文獻中采用大量EEG數據與多位受試者提取的MMN的性質相符。</p><p><b>　　1.引言</b></p><p>　　失匹配負波（MMN）是聽覺事件相關電位的一種，由經典oddball實驗范式中的偏差刺激誘發(fā)產生。負波出現在刺激出現后90-300ms，幅值最大10(Näätänen et al 1978, 2004,

9、Näätänen and Winkler4 Authors contributed equally to this paper.1999).MMN的主要產生源在額顳皮質區(qū)，它可以從包括頻率，強度，時長，位置和其他聽覺特征在內的任何聲音刺激變化中提取出來(Pakarinen et al 2007)。MMN已經廣泛應用于昏迷(Fischer et al 1999),、精神分裂(Michie 2001)、認知損傷

10、(Näätänen et al 2011, 2012)等臨床研究中。</p><p>　　更進一步，頻率MMN作為頻率識別的重要主觀指標已經被用于評估頻率識別能力，這有利于選拔音樂人才(Tervaniemi 2001)，評估耳蝸植入者的復原能力(Zhang et al 2011)并診斷誦讀困難病癥(Baldeweg et al 1999)。前期研究已經揭露了MMN的性質，即偏差刺激與

11、標準刺激的差異越大，所提取的MMN具有更明顯的波峰幅值與更早的潛伏期(Sams et al 1985, Novitski et al 2004, Pakarinen et al 2007, Kalyakin et al 2008, 2009)。這些性質已經作為標準來評判不同MMN提取方法的MMN提取結果。</p><p>　　用于提取MMN波形的算法有很多種。差異波（DW）是一種傳統(tǒng)方法，利用這種方法可通過平均偏

12、差刺激波形減去平均標準刺激波形來獲得MMN。Pihko et al (1995)使用這種方法通過改變聽覺刺激的時長提取出了MMN，一共記錄了11分鐘的EEG數據,其中包括3種類型的偏差刺激。結果表明只有FZ電極的偏差刺激響應符合MMN的波峰和潛伏期性質。DW方法要求更長的記錄時間，并且其對于不同類型的偏差刺激所表現的MMN性質并不清晰。因為MMN位于低頻帶，最優(yōu)數字濾波器（ODF）采用2-8.5Hz的低頻帶來提取MMN(Kalyakin

13、 et al 2007)。因為P3a的頻帶接近MMN，所以ODF方法不能將MMN成分與P3a成分分離。最近，獨立成分分析（ICA）方法已經被用于提取MMN。Kalyakin et al (2008, 2009)和Cong et al (2010, 2011a, 2011b)用ICASSO方法從偏差刺激響應中提取出了ERP波形，結果發(fā)現，不同時長的偏差刺激聽覺響應的幅值和潛伏期符合MMN的性質。ICASSO是一種可視化分等級的聚類方法，這

14、種方法通過重復多次實現ICA來計</p><p>　　因此，如何從短時記錄或較少實驗次數的EEG數據中提取MMN仍然是一項挑戰(zhàn)。既然MMN的oddball范式中的偏差刺激是低頻刺激，所以偏差刺激的實驗數目會相當小。這使得偏差刺激的EEG數據信噪比低并最終影響MMN波形的提取。這個問題可以通過增大EEG數據的實驗次數來解決，但必然會導致每位受試者的實驗時間增長。例如，能夠得出預期MMN波形的ICASSO方法記錄了2

15、0分鐘的EEG數據，每種偏差刺激會有約300次實驗(Kalyakin et al 2008, 2009, Cong et al 2010)。此外，在前期研究中通常通過將幾位受試者的EEG數據合并計算整體平均來增加偏差刺激的實驗次數(Kalyakin et al 2008, Cong et al 2010, Näätänen andWinkler 1999, 2004, Sams et al 1985, No

16、vitski et al 2004, Pakarinen et al 2007)。然而，在昏迷、精神分裂、中風和認知損傷(Fischer et al 1999, Michie et al 2000, N¨a¨at¨anen et</p><p>　　為從少量單一實驗次數EEG數據中有效提取MMN，可用空間濾波方法來提高數據的信噪比。Iyer and Zouridakis (2007)

17、提出了迭代獨立成分分析方法（iICA）來分析N100成分，這種方法明顯優(yōu)于平均方法。此外，Yang et al (2008)提出再現分級并平均ICA算法（RAICAR）通過重復ICA實現和矩陣基礎隊列來提高成分評價。與ICASSO方法相比，RAICAR需要較低的CPU存儲能力和較少的計算時間，并能產生更精確的估計值。因為以上文獻中所用的的ICA算法并不是專為提取ERP而設計的，所以其計算結果不是非常理想。Jarchi et al (20

18、11) and Li et al (2009)提出了專為ERP而設計的時空濾波，但難點在于如何確定算法必需的合適的ERP模板。Lemm et al (2006)利用ICA的監(jiān)督變量設計了正則化的二階鑒別（SOBI）算法使鎖相ERP的提取效果增強。然而，這種算法需要計算多次才能確定最優(yōu)正則化度，增大了計算消耗。此外，正則化以試探法為基礎，因此此法并不能保證能獲得ERP源的最高信噪比。Wu and Gao(2011)設計了一</p&g

19、t;<p>　　因為MMN是由兩種事件提取出的DW，已存在的大部分空間濾波器算法不能直接被運用。在前面的研究中，兩種事件的ERP通過空間濾波器被分別提取再以對應的方式進行比較。Cong et al (2011c)空間濾波之后做減法不能有效去除偽跡。此外，兩種ERP的單獨提取會增加計算負擔。在rdSIM方法中，首先進行單一實驗偏差刺激波形與單一實驗標準刺激波形的減法。然后用SIM方法直接從差異波中提取MMN。這種方法可抑制偏

20、差刺激與標準刺激的共同響應并使差異成分突出。</p><p>　　我們所采取的另一個技巧是利用非參數重采樣(Efron1979, Dupret and Koda 2001)來改善ＭＭＮ的提取。非參數采樣通過多次采樣觀察數據來評估初始分配。這已經運用到ERP學習 (Oruc et al 2011, Philiastides et al 2006, Philiastides and Sajda 2006,Rousse

21、let et al 2008, Vizioli et al 2010)和非平穩(wěn)數據分類中 (Dupret and Koda 2001)。由于偏差刺激波形的實驗數目實際上比標準刺激少，這就出現了如何結合SIM充分利用不平衡的實驗數據提取MMN的問題。在非參數重采樣方面，我們提出了重采樣求差方法來進一步改善MMN提取，從所有可能的標準刺激波與偏差刺激波對中隨機采樣少數量的標準刺激波與偏差刺激波對，然后由偏差刺激波形減去標準刺激波形得到差異波

22、波形。最后，由于重采樣方法可能會對所獲得的MMN波形的幅度穩(wěn)定性有影響，使用RAICAR方法(Yang et al 2008)多次重復SIM可用來提高MMN波形的波幅穩(wěn)定性。這種方法能夠根據再現性指數排列ERP</p><p>　　為評估rdSIM的效果，我們利用rdSIM對仿真EEG數據和實際EEG數據分別來提取頻率MMN。首先，如部分3所述，對通過概率生長模型獲得仿真數據進行rdSIM算法計算，在計算過程中分

23、析三個參數（即單一實驗次數，SIM重復次數和采樣時間點）對MMN提取效果的影響。然后分別使用DW，RAICAR和rdSIM三種方法來從仿真數據中提取MMN，再對三種MMN進行峰幅值和潛伏期精確評估。然后，如部分4和部分5所述，進行不同頻率聲音刺激的oddball實驗范式并記錄11位受試者實驗EEG數據（偏差刺激50次實驗和標準刺激250次實驗）。再應用DW，RAICAR和rdSIM三種方法對實驗所得數據提取MMN并估計峰幅值和潛伏期。結

24、果表明rdSIM方法可以利用單一受試者的少量EEG實驗數據（偏差刺激50次實驗）有效提取MMN，并且比RAICAR和DW提取效果更好。</p><p><b>　　2.rdSIM</b></p><p>　　SIM算法對鎖時鎖相的ERP信號進行時空模式的具體評估。Wu和Gao設計出了最優(yōu)化ERP成分空間模型A和加工時序S的快速迭代算法。將這種算法運用于概率性生長模型（

25、3.1節(jié)模型（1）），在達到收斂之前交替估算A和S最終獲得參數{A,S}的最大可能估計值，計算所得成分，以信噪比遞減的順序排列。</p><p>　　rdSIM方法整合重采樣求差和SIM方法，主要包括四部分：重采樣求差，SIM重復，ERP成分相關分析，MMN成分反向投影后的平均。rdSIM方法的圖解如圖1所示，詳細信息如下：</p><p>　　圖1 rdSIM方法流程圖</p>

26、;<p>　　第一步，從偏差刺激（D）L次實驗和標準刺激（S）次實驗各自挑選組成實驗對。實驗對中，D實驗減去S實驗得到關聯(lián)實驗差異波（D-S）。此過程重復J次，因此得到次實驗。</p><p>　　第二步，利用SIM算法分析JD-S次實驗來獲得M個ERP成分的估計值，本次研究中，少數ERP成分會由于無意識動作或噪聲可能被包括進實驗數據中，根據經驗我們設M為6來確保重要ERP成分不會被遺失。為證實M的

27、最佳選擇，我們改變M的值進行更多次的數據分析。結果表明,SIM算法對4以上M值不敏感（3.4.1節(jié)）。以下6個ERP成分，，，，，以SNR遞減的順序排列。</p><p>　　第三步，重復K次第1,2步，得到個成分。</p><p>　　第四步，計算成分的兩兩相關相關系數，通過RAICAR方法將這些成分排列并分類(Yang et al 2008)，產生M類，,…,.根據RAICAR，每個類

28、別包括K個成分分別對應K個SP。求每類K個SP的均值。視覺上觀察M個均值SP，選出一個MMN類的 SP，其能量應主要集中于顳區(qū)。我們指定MMN類為。</p><p>　　第五步，類中的K個組成投影于預選電極（例如，Cz電極），指定此電極的K個mmn為，，…，。根據Kalyakin et al (2008)，投影過程通過增加空間模式sp對應MMN成分c，即執(zhí)行（級中M個SP中的每一個）。每個電極的MMN波形被獲得作

29、為。</p><p>　　第六步 對K個波形求平均獲得最后的MMN波形。</p><p>　　rdSIM方法的直觀示意圖如圖2。假設標準成分和偏差成分為兩個不同的方波。由gamma函數生成公共不相關成分，其不與標準和偏差刺激在相關時間段上覆蓋。差異波為。, 和如圖2（a）所示。ERP成分與無意識動作和白噪聲在0dB SNR處混合（3.1節(jié)模型（1））?；旌闲盘柪尤鐖D2（b），圖中為單一實

30、驗的偏差刺激波（D），和分別為兩次實驗的標準刺激波（S）。下面用實例闡述利用rdSIM方法提取MMN的過程。</p><p>　　根據第一步的重采樣差，獲得差異波如圖2（c），圖中和為兩次實驗的差異波。</p><p>　　通過第二步SIM方法的空間濾波，獲得6個ERP成分。如圖2（d）所示，具有最高信噪比且成分具有第二高信噪比。</p><p>　　SIM方法的空

31、間濾波器步驟重復K次。</p><p>　　通過RAICAR排列分類，我們認為為MMN類別，從類別中隨機選擇兩個成分和如圖2（e）所示。</p><p>　　投影類別中的成分至給定通道Ch；兩個投影波形和如圖2（f）所示。</p><p>　　平均投影波形并提取出MMN如圖2（g）所示，與實際MMN相似，實際MMN的獲取便是將的差異波投射到指定通道Ch。</p

32、><p>　　圖2 rdSIM方法直觀示意圖。‘Extr MMN’代表提取出的MMN</p><p><b>　　3.仿真</b></p><p><b>　　3.1仿真數據</b></p><p>　　根據傳統(tǒng)oddball實驗范式，通過包含83%的標準刺激和17%的偏差刺激(Novitski et

33、al 2004, Pakarinen et al 2007)的實驗采集數據，共獲得兩組m個通道的EEG數據，包括隨機排列的L個偏差刺激實驗和5*L個標準刺激（根據具體研究要求，L的范圍為10-200）。對于每組EEG數據，ERP成分S均包括兩種成分，MMN相關成分和MMN非相關成分。標準刺激的平均ERP波形由實際的MMN的EEG數據作為MMN相關ERP成分獲得，偏差刺激的平均ERP波形同樣由實際的MMN的EEG數據作為MMN相關ERP成

34、分獲得。MMN非相關成分由Gamma函數產生，在兩組仿真EEG數據中完全相同。的時間段與MMN成分的時間段不重疊。</p><p>　　單次試驗的每組EEG數據均為S、無意識EEG動作V和白噪聲N的線性組合，利用前期研究(Lemm et al 2006, Wu and Gao 2011)的混合模型生成數據：</p><p><b>　　， （1）</b></p&

35、gt;<p>　　其中，代表EEG數據，EEG數據的通道總數為m=30.偏差刺激為，標準刺激為，ERP成分的混合矩陣隨機生成且符合標準正態(tài)分布。30個通道的作為無意識EEG活動的以噪聲的形式隨機生成。通道中ERP信號方差和無意識EEG動作方差之比定義為SNR。無意識動作混合矩陣的生成方式與A相似。B的每一列通過Gram-Schmidt過程歸一化。代表m個通道的白噪聲。每個通道的白噪聲方差與無噪聲信號（即ERP與無意識動作之

36、和）方差之比為-10dB。</p><p>　　以上生成復合EEG數據的過程重復多次（L或5*L）來評價不同方法的平均效果和穩(wěn)定性。每次重復在所有實驗中A和B保持不變，偏差刺激減去標準刺激獲得未混合MMN，即，實際頭皮MMN（以下簡稱MMN）通過未混合MMN與混合矩陣A的乘積獲得，即。</p><p>　　3.2 DW和RAICAR</p><p>　　為與rdSI

37、M方法作比較，我們也利用DW和RAICAR的方法提取了MMN。在RAICAR中，首先通過多次重復ICA來提取MMN的潛在成分并計算各成分之間的聯(lián)系，然后將各成分分類并以再現指數減小的順序排列。雖然在仿真數據中，自發(fā)性活動的數目與導聯(lián)數目相同，但事實上，自發(fā)性活動的數目是未知的并且需要根據腦電數據及其提取方法來估計。與rdSIM方法不同，RAICAR的成分數目與步驟2的導聯(lián)數目相同（即30）。在步驟3，首先需要對數據重復30次（Yang

38、et al (2008)提供的參數）快速ICA，其余步驟與rdSIM方法相同。</p><p><b>　　3.3評估方法</b></p><p>　　對于仿真數據，MMN在90-300ms期間達到最低負值，定義MMN潛伏期為MMN期間最低負值出現的時間點，因為如前文所提實際MMN波形由得到，所以實際MMN峰值以及潛伏期可由波形得到。</p><p

39、>　　利用提取MMN與實際MMN的相關系數和兩MMN的峰值和潛伏期的百分比偏差來評估3種MMN提取方法。峰值（或潛伏期）百分比偏差定義為，其中為提取MMN的峰值（或潛伏期），為實際MMN的峰值（或潛伏期）。此外，提取MMN的穩(wěn)定指數代表方法的穩(wěn)定性。尤其是K個MMN波形首先來自于K次快速ICA或SIM。然后，估計信號能量作為均值MMN的方差，而每個MMN波形與平均MMN波形之差的方差為噪聲能量。信號能量與噪聲能量的比值為穩(wěn)定指數，

40、最后，將所獲得的MMN的輸出信噪比以dB形式表示。</p><p>　　利用重復測量ANOVA和Bonferroni調整成對比較的統(tǒng)計學方法比較以上不同方法的效果。詳細信息見下文。顯著性水平為0.05.</p><p><b>　　3.4 仿真結果</b></p><p>　　3.4.1 rdSIM方法中3個參數的影響。</p>

41、<p>　　rdSIM方法包括3個參數：單一實驗次數（L），采樣時間（J）和重復SIM次數（K）。三個參數對rdSIM方法效果的影響通過仿真數據表現出來，根據仿真模型（1），兩組仿真數據包括L次偏差刺激的單一實驗和次標準刺激的單一實驗，其信噪比范圍為-10到30dB間隔為10dB。對于每個SNR，利用蒙特卡洛模擬運行50次，挑選30個通道仿真數據中具有最大絕對值的數據的通道作為反向投影。</p><p>

42、;　　固定單一實驗次數，分析采樣時間和重復SIM次數對相關系數的影響。由于rdSIM的目的是減少EEG數據量，單一實驗次數設為L=50。重復SIM次數（K）選擇5個不同的值2，5,10,20和30，八個采樣時間點（J）分別為：200,400,600,800,1000,2000,3000和4000。信噪比為-30，-20和-10dB時，不同采樣時間（J）和不同重復SIM次數（K）的相關系數均值如圖3。由圖3可以看出，采樣時間和SIM重復次

43、數減小，相關系數降低。而增長采樣時間，增大SIM采樣次數，相關系數也沒有顯著增強。為得到更滿意的效果，選擇1000的采樣時間和10次SIM重復次數最佳。以下分析中采樣時間為1000，SIM重復次數為10。</p><p>　　圖3 ，和dB信噪比的相關系數。每個格的灰度表示相關系數的均值，右側為對應灰度條。橫軸代表重復SIM次數，縱軸代表采樣時刻。</p><p>　　選擇采樣時間為，重復

44、SIM次數，我們分析單一實驗次數（L）對相關系數的影響。選擇5個不同的單一實驗次數（L）值如下：10,20,50,100和200。不同單一實驗次數（L）下，相關系數的均值如圖4(a).重復測量ANOVA和成對比較表明，單一實驗次數（L）增加，相關系數顯著增加。因此，的相關系數基本小于的相關系數，并且我們認為選擇采集EEG過于耗時。以下分析中我們選擇單一實驗次數為。</p><p>　　圖4 （a）不同單一實驗次數

45、（L）下，提取MMN與實際MMN相關系數的均值。</p><p>　?。╞）SIM提取的不同的成分數目下，提取MMN與實際MMN相關系數的均值。</p><p>　　最后利用仿真數據來分析SIM方法提取出的成分數目對相關系數的影響。由于SIM提取出的成分數目對相關系數的影響是輕微的，所以固定單一實驗次數，SIM重復次數和采樣時間，在仿真時只變化SIM提取的成分數目。根據模型（1），兩組仿真

46、數據包括L次偏差刺激的單一實驗和次標準刺激的單一實驗，其信噪比范圍為到dB間隔為dB。對于每個SNR，利用蒙特卡洛模擬運行50次，挑選30個通道仿真數據中具有最大絕對值的數據的通道作為反向投影。</p><p>　　固定單一實驗次數為L=50,采樣時間為J=1000，重復SIM次數為K=10，分析SIM提取成分數目對相關系數的影響。成分數目設置為M=2,4,6,8,10和20，結果如圖4（b）所示。重復測量ANO

47、VA分析顯示SIM提取成分數目對相關系數無顯著影響。</p><p>　　3.4.2 DW，RAICAR和rdSIM三種方法的比較</p><p>　　根據仿真模型，包含50次偏差刺激、250次標準刺激的數據組信噪比范圍為-10dB到30dB，間隔為10dB。每個信噪比運行50次蒙特卡洛仿真。</p><p>　　通過DW，RAICAR和rdSIM方法從仿真數據中提

48、取出MMN波形。利用提取MMN與實際MMN的相關系數和兩MMN的峰值和潛伏期的百分比偏差來評估3種MMN提取方法。對于RAICAR，快速ICA運行30次，成分數目設為與導聯(lián)數目相同（Yang et al 2008）。對于rdSIM，SIM運行10次，并在每次重復運行時提取出6個成分。RAICAR和rdSIM的采樣時間均為1000ms。對于每個信噪比，3種方法的相關系數均值與標準差，峰值與潛伏期的百分比偏差如表1所示。</p>

49、<p>　　表一 DW，RAICAR和rdSIM方法提取MMN和實際MMN相關系數的均值和標準差以及相應峰值和潛伏期的百分比偏差</p><p>　　‘’表示DW不能估計MMN波形</p><p>　　對DW，RAICAR和rdSIM三種方法的分析結果進行受試者內因素的重復測量ANOVA分析發(fā)現了MMN主效應。關于提取MMN和實際MMN的相關系數，DW方法的結果顯著低于其他兩

50、種方法，RAICAR方法的結果顯著低于rdSIM方法的結果。關于峰值百分比偏差，DW顯著干預其他兩種方法，但是RAICAR和rdSIM兩者間無顯著差異。最后，關于潛伏期的百分比偏差，DW顯著高于其他兩種方法，并且RAICAR顯著高于rdSIM。</p><p>　　此外，為分析RAICAR和rdSIM兩種方法的穩(wěn)定性計算兩者的穩(wěn)定指數。穩(wěn)定指數的均值和標準差如圖5所示。利用重復測量ANOVA和Bonferroni

51、調整成對比較的統(tǒng)計學方法表明rdSIM提取出的MMN穩(wěn)定性指數顯著高于RAICAR（）。結果表明，rdSIM比RAICAR更穩(wěn)定。</p><p>　　圖5 RAICAR和rdSIM兩種方法所得MMN的穩(wěn)定性指數</p><p>　　表2 DW，RAICAR和rdSIM的比較</p><p>　　a‘ ’表示結果優(yōu)秀度，星越多，該方法效果越好</p>

52、<p>　　b 結果在2.00GHz雙核Intel Pentium處理器和1 GRAM的計算機上計算得到</p><p>　　綜上，使用rdSIM方法提取MMN更可行且可信。表2總結了DW，RAICAR和rdSIM的比較結果。與DW，RAICAR兩種方法相比，rdSIM具有更高的提取MMN和實際MMN相關系數，更低的峰值和潛伏期百分比偏差和更高的穩(wěn)定性。此外，RAICAR花費更長的時間計算，因為快速IC

53、A匯聚要比SIM慢得多。研究表明，對于包括五層信噪比的數據，RAICAR需要大約59760s來提取MMN，而rdSIM用同樣的電腦處理相似的數據只需要131s。因此，rdSIM改進了DW和RAICAR。</p><p>　　4.關于頻率MMN的實際EEG數據分析</p><p><b>　　4.1 受試者</b></p><p>　　本次研究包

54、括具有正常聽力的11位大學生和研究生（5名女性，6名男性；年齡在20到26歲，平均年齡=23.9，標準差=1.8）參與。當地院校審查支持本次實驗。每位受試者已被提供酬勞且已簽署知情同意書。</p><p>　　4.2偏差刺激的頻率選擇</p><p>　　為確定偏差頻率以提取MMN，通過精神物理學測試確定每位受試者的頻率辨別閾。</p><p>　　結果，頻率辨別閾

55、值被確定為參考頻率為1000Hz（500Hz）。首次刺激呈現時，參考頻率與探測頻率差為100Hz，探測頻率為1100Hz（400Hz）。當參考頻率與探測頻率的頻率差異大于20Hz時，探測頻率步長為10Hz，當頻率差異低于20Hz時，步長為2Hz。對于每位受試者一共測量了50次逆轉。每次逆轉呈現參考頻率和探測頻率兩次并且獲得受試者的兩種響應。最后，通過計算最后6次逆轉探測頻率的均值獲得參考頻率的頻率閾。</p><p&

56、gt;　　圖6 （a）每位受試者的頻率閾測量結果</p><p>　?。╞）oddball范式實驗流程</p><p>　　頻率辨別測量后發(fā)現，所有受試者的最低辨別頻率高于1000Hz，范圍在1004Hz到1024Hz（均值=1013.5Hz，標準差=6.2Hz）。所有受試者的最高辨別頻率低于500Hz，范圍在470到497Hz（均值=488.7Hz，標準差=7.8Hz）。結果如圖6（a）

57、所示。可以看出當參考頻率為1000Hz（500Hz）時所有受試者有能力辨別1030Hz以上（470Hz以下）的探測頻率。因此，在頻率MMN實驗中，對應1000Hz的標準刺激選擇1500Hz和1030Hz的正弦波音作為偏差刺激，對應500Hz的標準刺激選擇200Hz和470Hz的正弦波音作為偏差刺激。1030Hz和470Hz為小偏差刺激，1500Hz和200Hz為大偏差刺激，其偏差幅度大于小偏差刺激偏差幅度的6倍。</p>

58、<p><b>　　4.3 實驗過程</b></p><p>　　本次實驗中，利用傳統(tǒng)被動oddball實驗范式，通過83%的標準刺激和17%的偏差刺激提取MMN。有4種不同的實驗條件：（a）具有1000Hz標準刺激和1500Hz的偏差刺激的HFar條件，（b）具有1000Hz標準刺激和1030Hz的偏差刺激的HMean條件，（c）具有50Hz標準刺激和200Hz偏差刺激的LFar

59、條件，和（d）具有50Hz標準刺激和470偏差刺激的Lmean，四種條件實驗的順序隨機。每個條件包括50次單一實驗，在每個單一實驗中，5個標準刺激和1個偏差刺激隨機呈現，每個聲音刺激時長為50ms，其中包括10ms的升降時間和30ms的穩(wěn)定時間，刺激發(fā)生異步性為700ms。過程如圖6（b）所示。實驗過程中要求受試者閱讀一篇英文文章并且忽略聽覺刺激。</p><p>　　在消聲室中利用Neuroscan Synam

60、ps系統(tǒng)，以1000Hz的采樣頻率記錄EEG數據。根據擴展性國際10-20系統(tǒng)，采用64Ag/AgCl導聯(lián)置于頭皮。鼻尖導聯(lián)用于參考電極。通過置于每只眼外部眼角的導聯(lián)記錄水平眼電圖，通過置于左眼上下的兩個導聯(lián)記錄垂直眼電圖。阻抗小于或等于.</p><p>　　4.4 利用DW，RAICAR和rdSIM進行數據分析</p><p>　　首先利用0.5-30Hz的帶通濾波器濾波。然后降低采樣

61、率至200Hz，提取-100ms至600ms的數據段并利用100ms的刺激前窗口進行基線校正。利用DW，RAICAR和rdSIM方法對每位受試者的數據提取MMN。對于DW，根據Jungh¨ofer et al (2000)，手動去除偽跡。首先，如果EEG或EOG活動超過100μV認為單一通道的數據段受污染。第二，利用參考整體平均探測整體偽跡。第三，偽跡污染數據段通過球面樣條插值算法利用所有有效數據段加權值進行插值，詳細描述見球

62、形調整方法。第四，為比較信號質量以進行進一步調整，在所有實驗范圍內進行標準偏差的計算。對于RAICAR和rdSIM方法，所有單一實驗保留。對于RAICAR，快速ICA運行30次（詳細見Yang et al 2008），每次運行成分數目與導聯(lián)數目相同（即60，排除4通道EOG數據）。對于rdSIM，SIM運行10次且每次提取6個成分（見3.4.1節(jié)）。RAICAR和rdSIM的采樣時間均為1000ms。</p><p&

63、gt;　　對于實際EEG數據，MMN峰值出現于刺激后90-300ms(Näätänen et al2004,Novitski et al 2004)。這里的MMN峰值于這段時間MMN達到最大負值時測量，且潛伏期對應MMN達到最大負值時的刺激后時間點。</p><p>　　5.實際EEG數據處理結果</p><p>　　5.1對單一受試者利用rdSIM方法提取M

64、MN</p><p>　　我們首先介紹對單一受試者提取出的MMN。在Hfar，HMean，Lfar和Lmean四種條件下，用rdSIM方法對某位受試者的EEG數據提取MMN，選擇Cz導聯(lián)為反向投射通道。結果如圖7所示。</p><p>　　圖7 HFar，Hmean，LFar和LMean條件下提取的單一受試者的MMN，’SP’代表MMN對應空間模型的均值。</p><p

65、>　　頂部兩幅圖展示了Lfar和Lmean兩種條件下的MMN提取結果，底部兩幅圖展示了Hfar和Hmean兩種條件下的MMN提取結果。虛線表示SIM方法提取出的K個MMN波形，實線表示MMN均值。四種條件下每條通道所選MMN成分的SP示于圖的底部右側，其能量主要集中于暫時的區(qū)域。很明顯LHar（HFar）條件下的MMN與LMean（HMean）條件下的MMN相比，具有更高的峰值和更短的潛伏期，這些結果與前期研究的MMN性質一致，即

66、表明rdSIM方法可以利用較少的EEG數據準確估計MMN。</p><p>　　5.2所有受試者提取出的MMN</p><p>　　利用DW，RAICAR和rdSIM方法分析每位受試者的EEG數據并提取MMN，選擇Cz導聯(lián)為反向投射通道。利用rdSIM提取出MMN的潛伏期與峰值如表3所示。從表中看出，除受試者7其余所有受試者提取出的MMN的潛伏期和峰值符合MMN性質。</p>

67、<p>　　表3 rdSIM方法提取的每位受試者的MMN的潛伏期和峰值</p><p>　　圖8 DW，RAICAR和rdSIM方法獲得的所有受試者的Cz電極的MMN的潛伏期（a）和峰值（b）的均值和標準差。</p><p>　　DW,RAICAR和rdSIM方法提取的所有受試者的MMN潛伏期的均值和標準差如圖8（a）所示。對三種方法所提取MMN的潛伏期進行受試者內因素重復測量

68、ANOVA分析，主效應顯著(F(2, 80)=3.140, p=0.049<0.05)。通過Bonferroni調整的成對比較,表明DW方法提取MMN的潛伏期明顯低于rdSIM (p = 0.045 < 0.05),其余兩種方法相比無明顯差異(p > 0.05)。</p><p>　　對于每種方法，分別對4種條件下所提取出的MMN的潛伏期進行受試者內因素重復測量ANOVA分析，然后通過Bonfe

69、rroni調整比較不同條件下的潛伏期。對于DW，不同條件下的潛伏期無明顯差異(F(3,30)=1.092, p=0.368>0.05)。而對于RAICAR和rdSIM，不同條件下的潛伏期具有明顯差異(RAICAR: F(3, 30)=15.465, p=0.000<0.001; rdSIM: F(3,30) = 52.246, p = 0.000 < 0.001)。Lfar條件下的潛伏期顯著短于Lmean條件(RAIC

70、AR: p = 0.003 < 0.01; rdSIM: p = 0.000 <0.001)，Hfar條件下的潛伏期顯著短于Hmean條件(RAICAR: p =0.016 < 0.05; rdSIM: p = 0.000 < 0.001)。</p><p>　　DW,RAICAR和rdSIM方法提取的所有受試者的MMN峰值的均值和標準差如圖8（b）所示。對三種方法所提取MMN的峰值進行受

71、試者內因素重復測量ANOVA分析，主效應顯著(F(2, 80) = 41.423, p =0.000 < 0.001)。通過Bonferroni調整的成對比較表明DW方法提取MMN的峰值明顯高于其余兩種方法(p = 0.000 < 0.001),RAICAR和rdSIM兩種方法相比無明顯差異(p = 0.188 > 0.05)。</p><p>　　對于每種方法，分別對4種條件下所提取出的MMN

72、的峰值進行受試者內因素重復測量ANOVA分析，然后通過Bonferroni調整比較不同條件下的峰值。對于DW和RAICAR，不同條件下的峰值無明顯差異(DW:F(3, 30)=2.616, p=0.069>0.05; RAICAR:F(3, 30) = 0.727, p = 0.544 > 0.05)。而對于rdSIM，不同條件下的峰值具有顯著異(F(3, 30) = 9.999, p = 0.003< 0.01)。L

73、far條件下的峰值顯著高于Lmean條件(p= 0.006 < 0.01)，Hfar條件下的峰顯著高于Hmean條件(p = 0.006< 0.01)。</p><p>　　選擇Fz，Fcz，Cz，Cpz和Pz導聯(lián)作為反向投影導聯(lián)。因為rdSIM方法下不同電極的MMN的通過反向投影相同的MMN成分獲得的，他們的潛伏期是相同的，所以只分析峰值。所有受試者5個電極MMN峰值的均值和標準差如圖8（c）所示。

74、對每個電極進行不同實驗條件下的受試者內因素重復測量ANOVA分析發(fā)現，每個電極不同實驗條件下峰值均存在顯著差異(Fz: F(3, 30) = 7.786, p =0.009 < 0.01; Fcz: F(3, 30) =9.381, p = 0.004 < 0.01; Cz:F(3, 30) = 9.999, p = 0.003 < 0.01; Cpz: F(3, 30) = 8.170,p = 0.000 <

75、0.001; Pz: F(3, 30) = 5.706, p = 0.003 <0.01)。通過Bonferrobi調整比較不同實驗條件下的峰值，結果表明，在導聯(lián)Fz，Fcz，Cz和Cpz處，LFar條件下的峰值顯著低于LMean條件(Fz: p = 0.017 < 0.05; Fcz:p = 0.011 < 0.05; Cz: p = 0.006 <</p><p>　　圖9 （a）30

76、次ICA每次60個成分中RDV小于15%的成分所占百分比。（b）ICA提取的MMN成分的RDV均值（c）SIM提取的MMN的RDV均值</p><p>　　此外，檢查剩余變量（RDV）來評估RAICAR的ICA方法和rdSIM的SIM方法提取的MMN成分的穩(wěn)定性(Delorme et al 2012)。使用EEGLAB工具箱(version11.0.2.1b)的DIPFIT2.2插件計算RDV (Delorme

77、andMakeig 2004)。對于RAICAR，計算30次ICA運行的60個成分的RDV。圖9（a）表示每位受試者30次ICA，每次60個成分即1800個成分中，RDV不大于15%的成分所占百分比。所有受試者的百分比范圍為34.66%到38.96%。圖9（b）和圖9（c）分別表示RAICAR在30次ICA和rdSIM在10次SIM提取出的MMN成分的均值RDV。從圖中看出，ICA中MMN成分RDV大于15%情況高于SIM。因此，rdS

78、IM的MMN成分提取比RAICAR更可靠。ICA提取的MMN重要成分的RDV小于15%?？傊?，當EEG實驗次數較少時，可以使用ICA提取MMN,但SIM方法更好。</p><p>　　綜上，使用較少的EEG實驗數據，DW不能提取清晰的MMN波形，更不能精確評估峰值和潛伏期，RAICAR能較好的估計潛伏期但不能估計峰值，rdSIM方法提取的MMN的峰值和潛伏期與MMN性質一致。因此，我們可以得出結論，在具有較少EE

79、G單一實驗次數的實驗范式中，3種方法中rdSIM的MMN提取效果最好。</p><p><b>　　6.討論</b></p><p>　　6.1與其他研究的比較</p><p>　　ODF (Kalyakin et al 2007)和ICASSO (Kalyakin et al 2008, 2009, Cong et al 2010, 2011

80、a, 2011b)方法分析偏差ERP而不是MMN，然而rdSIM和DW直接獲得MMN波形，此外，由于ICASSO和RAICAR中的FastICA的低收斂率，rdSIM與另兩種方法相比需要更短的時間來提取MMN。而且，Kalyakin et al(2008, 2009)利用數字濾波器和ICASSO兩種方法提取MMN，結果表明后者效果更好。Yang et al (2008)分析RAICAR和ICASSO兩種方法發(fā)現前者優(yōu)于后者。基于這些結論

81、，我們可以得出RAICAR優(yōu)于數字濾波器的結論。由于此原因和空間限制，本文未用數字濾波器方法提取MMN。</p><p>　　本文通過穩(wěn)定指數比較RAICAR和rdSIM兩種方法的穩(wěn)定性 ，結果表明rdSIM明顯比RAICAR穩(wěn)定。另外RDV結果表明，rdSIM提取出的MMN比RAICAR更可靠。根據的Delorme et al (2012)報告結果其他更先進的ICA方法（e.g.AMICA）比我們在RAICAR

82、用的FastICA有更進一步的提高空間。此外本論文結果以頻率MMN實驗范式為基礎，且具有較少的EEG實驗次數。為進一步闡述其有效性還需要用RAICAR和rdSIM方法處理其他實驗范式（例：時長MMN）的MMN數據。</p><p>　　Näätänen et al (2004)曾提出減少實驗時間的最優(yōu)化實驗范式，其刺激序列由標準刺激和不同的偏差刺激組成，與傳統(tǒng)oddball實驗范式相

83、比，實驗范式中的偏差刺激的單一實驗次數不變，標準刺激的單一實驗次數更少，需要更少的實驗時間。用DW和ICASSO提取這種實驗范式下的MMN，其中偏差刺激實驗次數需要大約300次(Kalyakin et al2008, 2009, Cong et al 2010)。rdSIM能用較少的偏差刺激實驗次數提取更好的MMN波形。因此如果本次研究中采用Näätänen et al (2004)提出的最優(yōu)化oddbal

84、l實驗范式，可以預測所需要的實驗時間會進一步減少。</p><p>　　前期研究中，MMN的提取需要計算許多受試者EEG實驗數據的整體均值。Pontifex et al (2010)和Olvet and Hajcak (2009)通過含68-79位受試者，6-8次單一實驗次數的EEG數據獲得ERP波形的整體均值。Oruc et al (2011)估計單一受試者的3個不同的ERP：N170臉部選擇波，誤差相關負波和

85、P3波。然而由于其ERP波形通過DW的方法獲得，每位受試者均需要更多單一實驗次數的EEG數據（每種實驗條件至少141次單一實驗）。與前期研究不同，本次實驗提取每位受試者的MMN，只需少量的單一實驗次數（偏差刺激50次）。這主要是因為本文采用了最優(yōu)化空間濾波器算法SIM最大化了ERP成分的信噪比。</p><p>　　最后，選擇最類似MMN的SP。MMN的SP的主要特征為前額皮質的EEG能量高于其他區(qū)域。在大多數情

86、況下，MMN成分分布于SIM提取的頂部4個成分中。因此，這種方法不要求大量的用戶專業(yè)知識。</p><p>　　6.2基于SIM的其他兩種方法</p><p>　　我們的實驗使用了兩種基于SIM的算法提取MMN波。第一種方法，對標準和偏差刺激波形分別用SIM濾波提取ERP成分，然后使偏差刺激成分減去標準刺激成分獲得MMN波形。由于偏差刺激試驗次數少，此種方法提取的偏差刺激ERP波形并不清晰

87、。此外，在這種方法中，做減法之前需要兩次手動選擇ERP成分，這會帶來繁瑣的運算。在第二種方法中，所有數據對包括首先獲得的50次偏差刺激實驗和250次標準刺激實驗，則接下來的單一實驗偏差刺激波形與單一實驗標準刺激波形的減法將會獲得50x250=12500個不同的差波波形。最后，用SIM對這些差波濾波提取出MMN成分。我們的實驗結果表明第二種方法具有與rdSIM更相似的效果但需要更多的CPU運算。</p><p>&

88、lt;b>　　6.3 前景展望</b></p><p>　　用較少EEG記錄數據便可提取MMN的rdSIM方法可以作為評價受試者頻率辨別閾的客觀方法。前期研究使用大量受試者的整體均值獲得頻率MMN (Novitski et al 2004,Pakarinen et al 2007, Näätänen et al 2004)。Sam et al (1985)測量了6位

89、受試者的MMN波形，并確定了多位受試者的頻率辨別閾值，但未確定單一受試者的頻率辨別閾值。Zhang et al (2011)通過2000Hz的偏差刺激和1000Hz的標準刺激分析單一受試者的頻率MMN，但仍然沒有通過提取MMN波形測試出單一受試者的最小辨別頻率。</p><p>　　單一受試者的頻率辨別閾的客觀評估要求測量不同頻率聽覺刺激的MMN。本次研究的rdSIM方法只需單一受試者的少量實驗次數，減少了EEG

90、記錄時間。因此rdSIM具有評估單一受試者頻率辨別閾的潛在可能。</p><p>　　偏差刺激與標準刺激的差異越小，MMN的峰值越小且MMN的提取越困難。Sam et al (1985)發(fā)現整體平均MMN可以提取最小頻率偏差為8Hz的MMN。然而并不是所有的受試者能夠辨別8Hz的頻率偏差，本次實驗中，我們要確定所有受試者可以區(qū)別偏差刺激，因此所選擇的頻率偏差為30Hz，而問題是在最小頻率偏差條件下我們是否還能夠從

91、單一受試者的少量EEG數據中提取出MMN。</p><p>　　rdSIM方法還可用于提取其他ERP成分的差異波，例：P300 (Polich 2007)，或比較兩種實驗條件下的波形，例：Go/Nogo實驗范式下的ERP (Todd et al 2008)，或Stroop范式(Hanslmayr et al 2008)。雖然，本次研究中此種方法用于分析不穩(wěn)定數據，但這種方法同樣可以分析穩(wěn)定數據。本次研究的目的在于

92、設計出一種僅用較少EEG實驗次數便可提取出MMN波形的信號加工算法。前期研究中，利用DW，ODF，ICASSO和其他方法提取MMN。結果不是由于EEG實驗次數少以致提取效果不理想就是需要較長的時間來記錄更大數量的EEG實驗數據。這些缺點限制了MMN的臨床應用。rdSIM僅用少量EEG實驗次數便可提取MMN波形的優(yōu)點解決了這一問題。</p><p>　　首先，本次研究結合SIM和無參數重采樣技術設計出了僅用較少EE

93、G實驗次數便可提取MMN波形的算法?？紤]到適應和習慣在認知神經科學研究中的混淆作用，相對少的EEG實驗次數在此領域同樣有效。SIM用于估計鎖時鎖相的ERP成分，它可以最大化ERP信噪比且計算效率高。雖然SIM方法理論上證據充分且已在前期研究中成功提取出EEG數據中的P300成分(Wu and Gao 2011),但仍有必要驗證是否此種算法也可用于用較少的EEG實驗次數提取其他ERP。但是當前研究表明SIM不能僅從少量的EEG實驗提取出較

94、好的MMN。rdSIM中采取的解決方法是通過無參數重采樣改善MMN的提取。無參數重采樣用于從少量實驗次數EEG數據中多次置換采樣來評估原始分類，通過重采樣隨機采樣標準與偏差刺激對可減小采樣方差。因此，結合SIM和無參數重采樣技術的rdSIM算法僅用較少的EEG實驗次數便可很好的提取MMN波形?？傊褂幂^少EEG實驗次數提取出較弱的也是SIM算法的擴展。</p><p>　　第二，不同于已有的大部分空間濾波器算法

95、，rdSIM能夠直接提取ERP的DW。在以前的研究中，兩種事件的ERP通過空間濾波器分別提取然后通過in an ad hoc manner.比較。Cong et al (2011c)的研究表明空間濾波之后做減法不能有效去除偽跡。此外，兩種ERP的分開提取加重了計算負擔。在rdSIM方法中，首先進行單一實驗偏差刺激與單一實驗標準刺激的減法，然后利用SIM從這些差異波中提取MMN，這種方法抑制了偏差響應與標準響應的共同部分，使差異部分成為主

96、要成分?？梢韵胂髍dSIM可以用于分析更廣泛實驗范式的ERP信號(e.g., P300,Go/Nogo, Stroop)。</p><p>　　第三，無參數重采樣技術也用于處理標準與偏差數據的不平衡，前期的研究中也考慮到類似的方法(Dupret and Koda 2001)，但未用于實際數據。</p><p>　　以上提及的問題的幾個不同方面之間相互影響，rdSIM將其置于一個統(tǒng)一的框架中

97、僅用較少數量的EEG實驗次數便提取出了質量較好的MMN。</p><p><b>　　7結論</b></p><p>　　為從較少的EEG數據中提取出MMN波形，本文提出了結合重采樣差和SIM技術的rdSIM算法。首先，通過仿真證明了此種方法的有效性，以及單一實驗次數，重復SIM次數和采樣時間點3個參數對rdSIM的影響。結果表明，rdSIM方法提取MMN是可行且有效

98、的。然后，通過不同頻率聽覺刺激的oddball實驗范式記錄了11位成年受試者少量實驗次數的EEG數據。再利用DW，RAICAR和rdSIM方法提取單一受試者的MMN波形。結果表明，rdSIM方法提取的MMN的峰值和潛伏期與MMN性質一致。因此，對于本文考慮到的僅有少量EEG實驗次數的實驗范式，rdSIM能比RAICAR和DW算法更好地提取MMN。</p><p><b>　　參考文獻：略</b&g