多類運(yùn)動想象腦電信號特征提取與分類

段鎖林，尚允坤，潘禮正

(常州大學(xué) 機(jī)器人研究所，江蘇 常州　213164)

?

多類運(yùn)動想象腦電信號特征提取與分類

段鎖林，尚允坤，潘禮正

(常州大學(xué) 機(jī)器人研究所，江蘇 常州213164)

摘要：針對多類運(yùn)動想象情況下存在的腦電信號識別正確率比較低的問題，提出了一種基于小波包特定頻段的小波包方差，小波包熵和共同空間模式相結(jié)合的腦電信號特征提取的方法，并將特征向量輸入到支持向量機(jī)中達(dá)到分類的目的；首先選擇重要導(dǎo)聯(lián)的腦電信號，進(jìn)行特定頻段的小波包去噪和分解；其次對通道優(yōu)化的重要導(dǎo)聯(lián)的每個通道信號計算小波包方差和小波包熵值作為特征向量；然后對所有重要導(dǎo)聯(lián)的分解系數(shù)重構(gòu)并進(jìn)行共同空間模式特征提?。蛔詈蠼Y(jié)合2種不同導(dǎo)聯(lián)方式所獲取的特征向量作為分類器的輸入進(jìn)行分類；采用BCI2005desc_IIIa中l(wèi)1b數(shù)據(jù)進(jìn)行驗證，該算法的分類正確率最高達(dá)到88.75%，相對2種單一的提取方法分別提高28.27%和6.55%；結(jié)果表明該算法能夠有效提取特征向量，進(jìn)而改善多類識別正確率較低的問題。

關(guān)鍵詞：腦電信號；小波包方差；小波包熵；共同空間模式；特征提?。恢С窒蛄繖C(jī)

0引言

近年來，一種與人的意念和思維相關(guān)的新興控制系統(tǒng)迅速發(fā)展[1-2]，它是依賴于大腦外周神經(jīng)系統(tǒng)對運(yùn)動想象產(chǎn)生腦電波變化，從而分析其想象動作的真實腦電波的組成，即腦-機(jī)接口(brain computer interface,BCI)[3]。正是因為它可以代替人的肢體或語言器官實現(xiàn)人與外界交流以及對外部設(shè)備的控制，這才使得國內(nèi)外學(xué)者對其不斷研究[4]。其關(guān)鍵在于對信號分析，它包括信號預(yù)處理、特征提取、模式識別。經(jīng)過幾十年的發(fā)展，對信號分析的方法及研究成果也在不斷拓展，從殘疾服務(wù)型機(jī)器、康復(fù)機(jī)器到娛樂、智能化家用設(shè)備和軍事研究等廣泛的領(lǐng)域得到應(yīng)用[5]。

BCI是綜合多門學(xué)科的前沿技術(shù)，其關(guān)鍵技術(shù)在于如何快速、準(zhǔn)確、有效地實時提取EEG的特征和分類。常用的特征提取和分類一般認(rèn)為有線性和非線性之分，特征提取的方法一般包括功率譜法(PSM)、自適應(yīng)自回歸模型法(AAR)、共同空間模式(CSP)法及小波包分析法[6-7]等。而分類的方法一般包括線性判別法(LDA)、k最近鄰分類器、遺傳支持向量機(jī)(GA-SVM)、人工神經(jīng)網(wǎng)絡(luò)法[8-9]等。功率譜是一種反映信號的能量隨頻率變化而變化并表明出頻域而存在，但不能體現(xiàn)出時域的方法；自適應(yīng)自回歸模型(AAR)適合于平穩(wěn)信號和不需要相關(guān)頻帶的先驗信息，以及計算量較小的優(yōu)點。但腦電信號屬于復(fù)雜非穩(wěn)定的微弱信號而且很容易受到外界干擾，腦電信號通常比工頻、眼電等偽跡微弱的多；共同空間模式(CSP)需要輸入多導(dǎo)聯(lián)以及不能反映出頻域的信息等缺點，但對于兩分類問題正確率較高；小波包分析法(WPA)不僅能將頻帶進(jìn)行多層次劃分，而且能自適應(yīng)地選擇相應(yīng)頻帶及提高時頻分辨率等優(yōu)點。

針對多類運(yùn)動想象識別率比較低的問題，本文充分利用小波包分析法和CSP的優(yōu)點，并采用小波包分解(WPD)這種快速的時頻分析算法使CSP缺乏頻率信息的缺陷得到彌補(bǔ)?；谛〔ò囟l段的WPV，WPE和CSP算法相結(jié)合的特征不僅能反映出腦電信號的復(fù)雜程度，幅值變化，時頻與空間域，而且通過仿真驗證了對多類運(yùn)動想象識別正確率有所提高。

1算法基本理論

小波包分解能夠為信號提供一種更精細(xì)的分析方法，并能夠根據(jù)分析信號的特征，自適應(yīng)地選擇相應(yīng)頻段，從而提高時頻分辨率[10]。特征提取中用CSP來對腦電信號特征提取已經(jīng)廣泛使用，特別是對二分類問題，已經(jīng)相當(dāng)成熟[11]。而在分類中支持向量機(jī)采用結(jié)構(gòu)風(fēng)險最小化原理兼顧訓(xùn)練誤差和泛化能力，對于小樣本、高維數(shù)、非線性的分類問題效果顯著[12]。

1.1小波包方差與熵

首先確定合理分解層數(shù)，才能有效利用小波包分析法，根據(jù)小波包分解特性，表示為：

(1)

式中，m為最終需分解層數(shù)，當(dāng)m非整數(shù)時，需向上取整，Bx為信號帶寬。

(2)

能量序列的分布被認(rèn)為各尺度的歸一化能量表示為：

(3)

根據(jù)shannon信息熵的定義，它能夠用來對序列未知程度提供一種測度，也能反映出腦電信號的復(fù)雜程度。將小波包分解系數(shù)能量分布于信息熵結(jié)合起來定義小波包熵為：

(4)

而小波包方差對于反映大腦皮層點活動被激活后表現(xiàn)出的幅值變化具有重要意義。其定義為：

(5)

1.2共同空間模式(CSP)

其基本原理是利用矩陣對角化，需找一組最優(yōu)空間濾波器參數(shù)使得2類信號的方差值相對極值化，從而獲得分類準(zhǔn)確度高的特征向量。

設(shè)單次任務(wù)實驗的原始信號表示為一個N×Y維的矩陣H,其中N為所選擇的重要導(dǎo)聯(lián)數(shù)，Y為腦電信號采集時對應(yīng)每個通道的采樣點數(shù)，每次進(jìn)行CSP時需要n個Trial的數(shù)據(jù)采集[13]。一般步驟如下：

對2類運(yùn)動想象的每個腦電信號進(jìn)行協(xié)方差，可以表示為：

(6)

其中，trace(HHT)為矩陣的跡。

混合以后的空間協(xié)方差矩陣表示為：

(7)

將特征值按照降序進(jìn)行排列，對應(yīng)的特征向量同樣如此。之后進(jìn)行白化:

(8)

將白化后的腦電信號在共同的特征向量B投影下，獲得B的前m列和后m列。所得的投影矩陣W=(BTP)T，對應(yīng)的單次任務(wù)腦電數(shù)據(jù)H變換成Z=WH。

最后關(guān)于腦電特征提取的維數(shù)f根據(jù)H的噪聲大小和分類器的要求而變化，所形成的的維數(shù)不能超出所選擇的電極導(dǎo)聯(lián)數(shù)N。

濾波后所得到的Z前m行和后m行(2m

(9)

其中:var(Z)是計算腦電數(shù)據(jù)變換后Z的方差。

1.3分類算法

基本原理是：對線性不可分的樣本數(shù)據(jù)，通過定義一個非線性映射，將輸入向量映射到一個高維特征向量空間，在這個特征空間構(gòu)造一個最優(yōu)分類面，使得目標(biāo)樣本中正負(fù)兩類樣本能正確識別并讓它們之間的隔離邊緣最大化。

設(shè)樣本集為(xi,yi),i=1,…,n,x∈Rd,y∈{-1,+1}是類別符號。標(biāo)準(zhǔn)的SVM模型為：

(10)

式中，ω為慣性權(quán)重；b為常數(shù)；ξi為松弛變量；c為懲罰參數(shù)。求解公式(10)，得到ω和b，進(jìn)而求得最優(yōu)分類面。

對于線性不可分的樣本，支持向量機(jī)通過非線性映射Φ：Rd→H將輸入空間樣本點映射到高維空間H中，在高維空間H中運(yùn)用線性方法構(gòu)造最優(yōu)分類面。根據(jù)泛函相關(guān)理論，采用適當(dāng)?shù)膬?nèi)積函數(shù)K(xi,xj)滿足Mercer條件，就能實現(xiàn)非線性變換后的線性分類，此時，公式(1)目標(biāo)函數(shù)變?yōu)椋?/p>

(11)

式中,αi為對應(yīng)的拉格朗日乘子。

解上述問題得到最優(yōu)分類函數(shù)為：

(12)

公式(13)中函數(shù)K(xi,xj)稱為核函數(shù)，SVM中常用的核函數(shù)有多項式核函數(shù)、高斯核函數(shù)和sigmoid核函數(shù)。本文選用徑向基核函數(shù)(radialbasisfunction,RBF)作為SVM的核函數(shù)。RBF公式為：

(13)

公式(15)中σ為核函數(shù)的核參數(shù)，將公式(13)代入公式(12)，得到最后的最優(yōu)分類函數(shù)：

(14)

2基于小波包方差和熵與CSP相結(jié)合的特征提取與分類

對于BCI最核心部分包括預(yù)處理、特征提取、分類識別。根據(jù)本文提出的算法將對國際BCI2005desc_IIIa組的數(shù)據(jù)進(jìn)行處理。

2.1實驗環(huán)境與數(shù)據(jù)

實驗的仿真環(huán)境: CPU E4500 2.2 GHz, RAM 2.19 GHz, Windows XP SP3,MatlabR2009b。

數(shù)據(jù)采集工具為來自Neuroscan的64導(dǎo)腦電放大器，其中左乳突作為參考，右乳突作為地面。采樣頻率為250 Hz,對采集的數(shù)據(jù)進(jìn)行帶通濾波(1~50 Hz)。電極放置位置如圖1(a)所示。被試坐在有扶手的休閑椅上，根據(jù)所提示的線索進(jìn)行想象左手，右手，腳或舌頭運(yùn)動，提示的順序是隨機(jī)的。實驗進(jìn)行的步驟過程(圖1(b))如下：開始前的2 s為被試調(diào)整狀態(tài)，使自己處于安靜狀態(tài)，到2 s時計算機(jī)不僅發(fā)出提示音而且屏幕也會出現(xiàn)“+”，接下來1 s結(jié)束后，計算機(jī)便會隨機(jī)出現(xiàn)向左、向右、向上或向下的箭頭，要求被試按照所提醒的方向進(jìn)行運(yùn)動想象，該運(yùn)動想象過程一直持續(xù)4 s。

(a)　EEG電極位置圖

(b)　實驗時序示意圖圖1　電極位置與實驗過程圖

2.2腦電信號預(yù)處理

對于腦電信號的預(yù)處理主要是對其進(jìn)行濾波，使腦電中噪聲盡可能較少，為后續(xù)處理提供很好的基礎(chǔ)。研究表明，大腦皮層神經(jīng)活動所引發(fā)的事件相關(guān)電位[14](event related potential,ERP)是人體感受到外界或內(nèi)在刺激時相應(yīng)產(chǎn)生電位變化。大腦進(jìn)行運(yùn)動想象時，在特定頻段(α節(jié)律和β節(jié)律)會發(fā)生腦電功率譜增強(qiáng)(event relatedsynchronization,ERS)或減弱(event related desynchronization,ERD)[15]現(xiàn)象。腦電功率譜增強(qiáng)或減弱主要體現(xiàn)在8～30 Hz，由于運(yùn)動想象的腦電頻段會因被試不同，存在著差異，對不同的被試選擇不同的最佳濾波器及濾波頻段是提高正確分類的關(guān)鍵。因此，本文首先對不同被試的重要通道的頻段所在范圍進(jìn)行分析，并對其進(jìn)行小波包去噪降低噪聲。

2.3小波包方差和熵與CSP相結(jié)合的特征提取

對所選擇的通道進(jìn)行4層WPD后，獲得基于特定頻段的方差與熵所形成的特征向量和CSP對特定頻段重構(gòu)信號提取的特征向量，以及其結(jié)合后的特征向量。將小波包方差和小波包熵算法簡化成WPVE,CSP對特定頻段重構(gòu)信號提取的算法簡化成WP-CSP。算法流程如圖2所示。

圖2　小波包方差和熵與CSP相結(jié)合的算法

BCI2005desc_IIIa所采用的采樣頻率為250 Hz，fde取值為8 Hz，帶入式(1)，m向上取整為4。由于daubechies小波函數(shù)具有更有效的分析性和綜合性，本文使用‘db4’作為小波基。對與運(yùn)動想象密切相關(guān)的9個重要導(dǎo)聯(lián)通道(18、21、24、C3、Cz、C4、38、41、44)的信號進(jìn)行小波包去噪和4層小波包分解。根據(jù)文獻(xiàn)[16]時頻結(jié)論以及在線腦極接口應(yīng)用，優(yōu)化選取5個重要導(dǎo)聯(lián)的每個通道求取WPE和WPV，形成20維特征向量f1；9個重要導(dǎo)聯(lián)的每個通道選取2-4子帶系數(shù)進(jìn)行重構(gòu)，之后進(jìn)行CSP特征提取，其中將多類問題轉(zhuǎn)化成一對一的二分類特征提取的問題，對于一個N類運(yùn)動想象任務(wù)的特征提取，轉(zhuǎn)化以后得到N×(N-1)/2個兩類問題。采用本文數(shù)據(jù)得到6對空間濾波器參數(shù)，每類對應(yīng)3個，對于9個重要導(dǎo)聯(lián)的相關(guān)頻帶系數(shù)進(jìn)行重構(gòu)，獲得9維數(shù)組形成H9×Y。

2.4支持向量機(jī)分類

為了更好地使用訓(xùn)練數(shù)據(jù)來獲取訓(xùn)練分類器，采用網(wǎng)格搜索全局尋優(yōu)，使其最大化的獲得最佳參數(shù)。對于運(yùn)動想象實驗表明，徑向基(RBF)函數(shù)在支持向量機(jī)特征分類中優(yōu)于其他核函數(shù)，由于其能夠?qū)崿F(xiàn)非線性映射，而且參數(shù)的數(shù)量影響模型的復(fù)雜程度。因此，核參數(shù)g的大小決定數(shù)據(jù)分布范圍，懲罰系數(shù)c是對錯誤分類的懲罰程度，若c的取值比較大，則減少錯分誤差的可能。若c的取值比較小，便會獲得較強(qiáng)的泛化能力。懲罰系數(shù)c和核參數(shù)g的最優(yōu)組合是決定正確分類的關(guān)鍵。本文采用網(wǎng)格搜索方法對核函數(shù)參數(shù)g和誤差懲罰因子c進(jìn)行全局尋優(yōu)，最佳參數(shù)輸入支持向量機(jī)(C-SVM)進(jìn)行測試集的實際分類與預(yù)測分類。

3實驗數(shù)據(jù)結(jié)果

以BCI2005desc_IIIa中l(wèi)1b數(shù)據(jù)為例，通過小波包去噪后，通道為C3的運(yùn)動想象(left)4種節(jié)律所在頻段，如圖3所示。表明與運(yùn)動想象有關(guān)的頻段在8～30 Hz，驗證了數(shù)據(jù)的有效性。

圖3　4種節(jié)律所在頻段

對9個導(dǎo)聯(lián)的EEG信號分別進(jìn)行4層WPD，將信號劃分成16個頻段，故4層WPD各個節(jié)點對于頻段范圍如表1所示，與運(yùn)動想象最相關(guān)頻帶的節(jié)點(4,1)、(4,2)、(4,3)。

表1　小波包分解第四層各節(jié)點對應(yīng)的頻帶范圍

對于表中的(4,1)和(4,2)節(jié)點對應(yīng)的頻帶由小波包的Mallat算法性質(zhì)決定的。當(dāng)分解層數(shù)達(dá)到一定時，便會存在交錯非順序的現(xiàn)象。采用lb1被試的C3通道，對3個與運(yùn)動想象最相關(guān)的小波包系數(shù)進(jìn)行提取與重構(gòu)信號，如圖4所示。

圖4　運(yùn)動想象最相關(guān)的小波包系數(shù)的提取與重構(gòu)

本文將240次實驗進(jìn)行3折交叉驗證方法，每組包含各類的20次任務(wù)運(yùn)動想象，隨機(jī)選取其中2組作為訓(xùn)練數(shù)據(jù)，剩余1組作為測試數(shù)據(jù)。最后懲罰系數(shù)c和核參數(shù)g最佳取值分別為2和0.919 5，如圖5(a)和5(b)所示。確定最佳參數(shù)后，圖6對測試數(shù)據(jù)進(jìn)行預(yù)測分類與實際分類結(jié)果作對比，驗證了本文算法的有效性。

(a)　參數(shù)選擇結(jié)果圖(3D視圖)

(b)　參數(shù)最佳的取值圖5　實驗數(shù)據(jù)圖

圖6　測試集的實際分類和預(yù)測分類圖

實驗的對象有3人，本文主要以BCI2005desc_IIIa中l(wèi)1b數(shù)據(jù)來驗證算法的可靠性，通過對比3種算法分類的正確率，結(jié)合以后的算法的分類正確率有所提高，針對分類正確率的實驗結(jié)果如圖7所示，采用WPVE算法所獲得的大約平均正確率61%，WP-CSP算法獲得的平均正確率80%，采用本文結(jié)合后的算法獲得平均正確率88%。需要強(qiáng)調(diào)的是，由于被試的不同和采用算法的特點不同，對分類正確率有著不容忽視的影響，3名被試中k3b的實驗次數(shù)最多，分類正確率并非最高，更能說明本文采用的方法因人存在差異性，但整體分類正確率得到提高。

圖7　不同被試的平均正確率

將本文的分類結(jié)果與其他文獻(xiàn)的結(jié)果作對比，如表2所示，與文獻(xiàn)[12,16,17]比較，對于被試k6b，l1b,本文采用的算法分類正確率相較于其他文獻(xiàn)有所提高，最高達(dá)到88.75%。與文獻(xiàn)[12]得到的結(jié)果有所相似，k3b雖然實驗次數(shù)最多，并非正確率最高，更能說明被試和算法不同，得到的分類效果有所不同。整體而言，本文采用的算法較于BCI競賽分類正確率有所提高。

表2　與其他文獻(xiàn)的分類正確率比較

4結(jié)論

本文從腦機(jī)接口中多類運(yùn)動想象存在分類正確率較低的角度，提出了一種基于特定頻段的WPVE和WP-CSP相結(jié)合的特征提取方法，其優(yōu)點不僅結(jié)合了方差和熵能反映出信號的不同尺度下的特征和能量的分布變化，而且更好地通過CSP考慮運(yùn)動想象腦電信號的時頻與空間域。實驗結(jié)果表明，針對多類運(yùn)動想象分類正確率較低的問題，本文算法相較于其他文獻(xiàn)有所提高?？紤]到本文采用的算法是對BCI2005desc_IIIa數(shù)據(jù)在離線狀態(tài)下進(jìn)行，下一步將對實時在線腦機(jī)接口應(yīng)用的可行性深入研究，并將獲得的特征轉(zhuǎn)化成控制信號來實現(xiàn)代替人的肢體或語言器官實現(xiàn)人與外界交流，使諸多患者能夠再次獲得正常的生活。

參考文獻(xiàn)：

[1] Wolpaw R, Birbaumer N, McFarland D J, et al. Vaughan, Brain-compuetr interfaces for comumunication and control, Clin. Neurophysiol[J]. Neuroimage，2002,11 (3):767-791.

[2] 王行愚，金晶，張宇.基于腦-機(jī)接口的人機(jī)融合控制[J].自動化學(xué)報，2013, 39(3)：208-221.

[3] Kelly, S P, Lalor E C, Finucane C, et al.Visual spatial attention control in an independent brain-computer interface [J]. IEEE Trans. Biomed. Eng. 2005,52,1588-1592.

[4] Pfurtscheller G, Brunner C, Schlogl A, et al. Mu rhythm (de) synchronization and EEG single-trial classification of different motor imagery tasks[J]. Neuroimage, 2006,31(1):154-157.

[5] 何慶華,彭承琳，吳寶明. 腦機(jī)接口技術(shù)研究方法[J]. 重慶：重慶大學(xué)學(xué)報，2002,25(12):106-109.

[6] Muller G, Putz G R,Schlogla,et al.15 years of research at Graz University of Technology:Current projects[J]. IEEE Trans.Neural Sys.Rehab.Eng,2006,14(2):205-210.

[7] 李明愛，林琳，楊金福.基于小波包最優(yōu)基的運(yùn)動想象EEG自適應(yīng)特征提取方法[J].計算機(jī)測量與控制，2011,19(11): 2755-2762.

[8] 劉沖，顏世玉，趙海濱，等.多類運(yùn)動想象任務(wù)腦電信號的KNN分類研究[J].儀器儀表學(xué)報，2012，33(8): 1714-1720.

[9] 劉勝，李妍妍,等.自適應(yīng)GA-SVM參數(shù)選 擇算法研究[J].哈爾濱工程大學(xué)學(xué)報,2007,28(4)：398-402.

[10] 任亞莉.小波包熵和BP神經(jīng)網(wǎng)絡(luò)在意識任務(wù)識別中的應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2009，26(8)：78-81.

[11] 劉廣權(quán)，黃淦，朱向陽.共空域模式方法在多類別分類中的應(yīng)用[J].中國生物醫(yī)學(xué)工程學(xué)報，2009,28(6)：935-938.

[12] 王璐，吳小培，高湘萍.四類運(yùn)動想象任務(wù)的腦電特征分析及分類[J].計算機(jī)技術(shù)與發(fā)展，2008,18(10)：23-26.

[13] 楊幫華，陸文宇，何美燕，等.腦機(jī)接口中基于WPD和CSP的特征提取[J].儀器儀表學(xué)報，2012,33(11)：2560-2565.

[14] Pfurtscheller G, Neuper C, Schlogl A, et al.Separability of EEG signals recorded during right and left motor imaginary using adaptive autoregressive parameters[J].IEEE Trans.Rehabil Eng.，1998 (6):316-325.

[15] Wolpaw J R, McFarland D J, Vaughan T M, et al.Brain computer interface research at the Wadsworth Center[J].IEEE Trans.Rehabil Eng.，2000 (8)；222-225.

[16] 施錦河，沈繼忠，王攀.四類運(yùn)動想象腦電信號特征提取與分類算法[J].浙江大學(xué)學(xué)報，2012,46(2)：338-244.

[17] 莊瑋，段鎖林，徐亭婷.基于SVM的4類運(yùn)動想象的腦電信號分類方法[J].常州大學(xué)學(xué)報，2014,26(1)：42-46.

Feature Extraction and Classification of Multi-class Motor Imagery EEG Data

Duan Suolin，Shang Yunkun，Pan Lizheng

(Robotics Institute, Changzhou University, Changzhou213164, China)

Abstract:Due to EEG recognition accuracy was relatively low in the case of multi-class problem of motor imagery,this paper presents a method that a new combination about wavelet packet variance (WPV), wavelet EEG feature package entropy (wavelet packet entropy, WPE) and common spatial patterns (CSP) extract features based on wavelet packet specific frequency bands, which input into support vector machine(SVM ) classifier achieve resultant classification. Firstly, selecting the EEG of important channels make wavelet packet de-noising and decomposition(wavelet packet decomposition，WPD) of specific frequency bands; Secondly, optimization of important channels calculate the wavelet packet variance (WPV) and wavelet packet entropy(WPE) as feature vectors; then, the three sub-band coefficients for each channel EEG signal of important channels are reconstructed and feature extraction carried by common space pattern(CSP); Finally, two kinds of feature vectors from different ways that feed into a classifier and achieve classification. The highest classification accuracy rate of 88.75%, comparing with the relative two kinds of single-extraction method increased 28.27% and 6.55% by l1b from BCI2005desc_IIIa.The results show that the algorithm can effectively extract the feature vectors, thereby improving the lower classification accuracy problems.

Keywords:EEG; wavelet packet variance(WPV); wavelet packet entropy(WPE); common space pattern(CSP); feature extraction; support vector machine(SVM)

文章編號：1671-4598(2016)02-0283-05

DOI：10.16526/j.cnki.11-4762/tp.2016.02.078

中圖分類號：TP391.4

文獻(xiàn)標(biāo)識碼：A

作者簡介：段鎖林(1956-)，男，陜西岐山人，博士，教授，主要從事機(jī)器視覺與智能移動機(jī)器人控制方向的研究。

基金項目：江蘇省科技支撐計劃項目(社會發(fā)展)(BEK2013671)。

收稿日期：2015-09-06；修回日期：2015-10-08。