單電極中潛伏期反應(yīng)的聽覺注意特征提取與識別

徐夢圓 鄒采榮, 梁瑞宇, 王 力 王青云

(1東南大學(xué)信息科學(xué)與工程學(xué)院, 南京 210096)(2廣州大學(xué)機(jī)械與電氣工程學(xué)院, 廣州 510006)(3南京工程學(xué)院通信工程學(xué)院, 南京 211167)

單電極中潛伏期反應(yīng)的聽覺注意特征提取與識別

徐夢圓1鄒采榮1,2梁瑞宇1,3王 力2王青云3

(1東南大學(xué)信息科學(xué)與工程學(xué)院, 南京 210096)(2廣州大學(xué)機(jī)械與電氣工程學(xué)院, 廣州 510006)(3南京工程學(xué)院通信工程學(xué)院, 南京 211167)

通過提取單電極中潛伏期反應(yīng)(MLR)的特征差異,研究并實(shí)現(xiàn)了正常個(gè)體聽覺注意與非注意2種狀態(tài)的識別.首先,對MLR信號進(jìn)行小波濾波、閾值去偽跡、相干平均等預(yù)處理;然后,分析了MLR在2種狀態(tài)下的成分波差異,并將Na,Pa,Nb波的幅值與能量、面積、C0復(fù)雜度、AR模型系數(shù)等傳統(tǒng)特征組合成為新的特征向量;最后,采用支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)在傳統(tǒng)特征向量和新特征向量下進(jìn)行目標(biāo)識別.8位被試的實(shí)驗(yàn)結(jié)果顯示,在2種不同狀態(tài)下,被試的Na,Pa,Nb波幅值具有顯著性差異(p<0.05),而潛伏期并無差異.ANN作為分類器時(shí),新特征向量的平均識別正確率可達(dá)85.7%.由此可見,利用單電極中潛伏期反應(yīng)區(qū)分聽覺注意與非注意狀態(tài)是有效的.

聽覺注意;中潛伏期反應(yīng);單電極;人工神經(jīng)網(wǎng)絡(luò)

腦電是腦神經(jīng)細(xì)胞的電生理活動(dòng)在大腦皮層或頭皮表面的總體反映,可分為自發(fā)腦電(EEG)和誘發(fā)腦電(EP).由聽覺刺激引起的誘發(fā)電位稱為聽覺誘發(fā)電位(AEP).相比較基于視覺的誘發(fā)腦電,基于聽覺的誘發(fā)腦電對被試視力沒有要求且不需要顯示屏等一些復(fù)雜的不便攜設(shè)備,故而具有很好的應(yīng)用前景.2004年,Hill等[1]首先設(shè)計(jì)了基于聽覺空間注意的雙耳分聽實(shí)驗(yàn)范式,被試將注意力集中于提示目標(biāo)(左側(cè)耳或者右側(cè)耳)方向上,對該方向上目標(biāo)聲音出現(xiàn)次數(shù)進(jìn)行計(jì)數(shù)而忽略另一側(cè)的聲音,從而誘發(fā)出失匹配負(fù)波(刺激后150 ms左右出現(xiàn)的負(fù)向電位),基于支持向量機(jī)的平均識別正確率可達(dá)72.67%,提取獨(dú)立分量之后平均識別正確率可達(dá)82.33%.此后,基于聽覺注意的實(shí)驗(yàn)范式得到了不斷的研究與發(fā)展[2-6],但大都集中于長潛伏期反應(yīng)(出現(xiàn)在刺激后50～500 ms).作為一種重要的聽覺誘發(fā)電位,中潛伏期反應(yīng)(即初級皮層反應(yīng))是在聲刺激后8～80 ms內(nèi)出現(xiàn)的一組聽覺誘發(fā)反應(yīng)波,主要由3個(gè)正峰和3個(gè)負(fù)峰構(gòu)成,分別是聲刺激8～10 ms出現(xiàn)的負(fù)波No(出現(xiàn)時(shí)間為潛伏期)、聲刺激10～13 ms出現(xiàn)的正波Po、聲刺激16～30 ms出現(xiàn)的負(fù)波Na、聲刺激30～45 ms出現(xiàn)的正波Pa、聲刺激40～60 ms出現(xiàn)的負(fù)波Nb和聲刺激55～80 ms出現(xiàn)的正波Pb[7].MLR反應(yīng)了聽覺通路中從腦干進(jìn)入皮層階段聽覺系統(tǒng)的信息整合能力和完整性,受到內(nèi)因和外因的影響[8],這些影響主要從MLR成分波的潛伏期和幅值上體現(xiàn)出來.通過分析這些波形潛伏期和幅值的變化,可將MLR用于聽覺系統(tǒng)功能、發(fā)育成熟度、感知和意識程度評估、聽覺神經(jīng)系統(tǒng)信息處理機(jī)制等多方面的研究與臨床應(yīng)用中[8-11].

本文設(shè)計(jì)了新的實(shí)驗(yàn)范式,探究了聽覺注意與非注意2種狀態(tài)對MLR成分波的影響,提取特征差異,并將不同特征向量用于識別注意與非注意狀態(tài)的效果進(jìn)行比較.

1 方法

1.1 數(shù)據(jù)獲取

8名聽力正常的在校大學(xué)生參與了本實(shí)驗(yàn),平均年齡為24歲,右利手,其中3位為女性.所有被試均無聽覺系統(tǒng)、神經(jīng)系統(tǒng)及精神障礙病史,均簽署了《知情同意書》并取得了一定的實(shí)驗(yàn)報(bào)酬.

測試儀器為丹麥爾聽美公司生產(chǎn)的ICS Chartr EP 200誘發(fā)電位儀.基本設(shè)置如下:濾波范圍為10～100 Hz,采樣率為1 200 Hz.數(shù)據(jù)采集電極置于額頭頂部的發(fā)際中心處,左右參考電極分別置于左右耳乳突,接地電極置于眉心.所有電極的阻抗都保持在5 kΩ以下.實(shí)驗(yàn)在靜音屏蔽室內(nèi)進(jìn)行,燈光及有聲設(shè)備(空調(diào)等)皆處于關(guān)閉狀態(tài).被試頭戴Telephonics TDH-49型耳機(jī)平躺于床上,頭部墊枕,閉上雙眼,左側(cè)耳給聲.刺激聲為1 kHz,1.1 次/s,70 dB nHL的密集型短純音.實(shí)驗(yàn)場景實(shí)拍圖見圖1.

圖1 實(shí)驗(yàn)場景實(shí)拍圖

實(shí)驗(yàn)設(shè)定了注意和非注意2種狀態(tài).注意狀態(tài)下,被試在心里對刺激聲進(jìn)行計(jì)數(shù),計(jì)數(shù)時(shí)不能發(fā)出聲音、觸動(dòng)嘴唇或者伸縮舌頭;非注意狀態(tài)下,被試保持放松,忽略刺激聲.實(shí)驗(yàn)開始后,注意和非注意狀態(tài)隨機(jī)出現(xiàn).采集一條數(shù)據(jù)的過程稱作一個(gè)試次,在此期間,用1.1次/s的短純音給聲刺激80次,約73 s.每次給聲的同時(shí)掃描并記錄被試80 ms的腦電信號,將80次刺激得到的腦電信號起點(diǎn)對齊相干平均,獲得一條MLR數(shù)據(jù).一條數(shù)據(jù)收集完畢后休息5～10 s,并語音提醒下次刺激應(yīng)保持的狀態(tài).每采集完10條數(shù)據(jù)休息5 min.每輪實(shí)驗(yàn)采集40條數(shù)據(jù),其中注意和非注意狀態(tài)各20條數(shù)據(jù).每位被試都進(jìn)行22輪實(shí)驗(yàn),即每位被試采集880條數(shù)據(jù),注意狀態(tài)440條,非注意狀態(tài)440條,數(shù)據(jù)收集持續(xù)一個(gè)月.

1.2 數(shù)據(jù)處理

作為一種誘發(fā)腦電,MLR的峰峰振幅僅在0.3～0.7 μV之間,因此實(shí)驗(yàn)記錄到的MLR容易淹沒在其他腦電信號的背景中,信噪比低.此外,肌電干擾、眼電干擾、工頻干擾和基線漂移等都會(huì)影響MLR的提取.為有效提取單一電極采集信號中的MLR,在特征提取前需對原始數(shù)據(jù)進(jìn)行預(yù)處理,處理方法包含小波濾波、去偽跡和相干平均.

1.2.1 小波濾波

Suzuki等[12]認(rèn)為中潛伏期反應(yīng)頻譜主要集中在30～50 Hz,而Ramikisson等[13]發(fā)現(xiàn)中潛伏期反應(yīng)的主要頻段為20～200 Hz.為此,本文通過不斷調(diào)整濾波范圍的方法,對中潛伏期反應(yīng)的主要頻段進(jìn)行確認(rèn).實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),進(jìn)行10～150 Hz濾波時(shí),各被試的No,Po,Na,Pa,Nb波均可引出.由于數(shù)據(jù)的采樣率為1 200 Hz,因此采用6層db10小波對數(shù)據(jù)進(jìn)行分解.小波類型和層數(shù)選擇的原因在于:① db10小波與MLR的波形最為相似.圖2(a)為db10小波函數(shù)ψ(y)在y=0～20時(shí)的波形,圖2(b)為實(shí)測MLR波形.② 6層小波分解的頻率范圍見表1.由表可知,將第1層、第2層細(xì)節(jié)分量及第7層近似分量系數(shù)置零,而由其他細(xì)節(jié)分量系數(shù)重構(gòu)原始信號,可實(shí)現(xiàn)9.375～150 Hz的帶通濾波,從而去除基線以及低頻和高頻噪聲.

(a) db10小波

(b) MLR波形

分解層頻率范圍第1層細(xì)節(jié)分量(cD1)300～600第2層細(xì)節(jié)分量(cD2)150～300第3層細(xì)節(jié)分量(cD3)75～150第4層細(xì)節(jié)分量(cD4)37.5～75第5層細(xì)節(jié)分量(cD5)18.75～37.5第6層細(xì)節(jié)分量(cD6)9.375～18.75第7層近似分量(cA6)0～9.375

離散小波變換公式為

(1)

離散小波逆變換公式為

(2)

1.2.2 去偽跡

小波分解重構(gòu)之后的波形仍存在機(jī)電噪聲、心電噪聲和眼動(dòng)噪聲等干擾的跡象,因此需要將幅值異常的數(shù)據(jù)予以剔除.每段實(shí)測數(shù)據(jù)為80 ms,共97個(gè)采樣點(diǎn),按照各被試的平均波形在Na波和Pa波之間進(jìn)行分割,則前一片段應(yīng)包含No,Po,Na波,單一試次引出率較低,幅值也較低.后一片段包含Pa波和Nb波,兩波幅值較高,引出率較高,將波峰數(shù)量小于1的片段視為無效數(shù)據(jù).此外,按照剔除比率不高于10%設(shè)定最大閾值和最小閾值,以期剔除包含肌電和眼電干擾的數(shù)據(jù).這2種干擾極大地影響了幅值的提取,尤其是肌電干擾,其波形與Nb波甚為相似.

1.2.3 相干平均

相干平均是提取事件相關(guān)電位的經(jīng)典方法,N個(gè)樣本被相關(guān)平均后信噪比提高N倍.本實(shí)驗(yàn)發(fā)現(xiàn)每次刺激誘發(fā)響應(yīng)并不固定,不同日期測得的平均波形在波幅上存在差異,因此,需要在實(shí)際測量MLR過程中對相干平均模型進(jìn)行修改.

設(shè)第n次的測量數(shù)據(jù)為xn={x(0),x(1),x(2),…,x(L-1)},其中L∈Z為數(shù)據(jù)長度.記待提取的理想MLR為s.每次測量都會(huì)受到測試對象主觀因素(如心情、清醒水平、專注程度、疲勞程度、汗液等)的影響,第n次測量中的MLR信號sn={s(0),s(1),s(2),…,s(L-1)}在幅值強(qiáng)度上存在差異.設(shè)幅值強(qiáng)度用λn表示,則sn=λns(0<λn<1,n=1,2,…,M).λn的概率密度分布如圖3所示,其均值大于0.5.實(shí)驗(yàn)推導(dǎo)取其保守估計(jì),λn的均值設(shè)定為0.5.此外,測試數(shù)據(jù)還受到EEG和高斯隨機(jī)噪聲的干擾,EEG與刺激件無關(guān),可等價(jià)于高斯噪聲.設(shè)噪聲項(xiàng)為un,其均值為0,方差為σ2,則xn=sn+un.對N個(gè)樣本進(jìn)行相干平均后可得數(shù)據(jù)平均值為

(3)

圖3 概率密度分布

(4)

(5)

由此可知,對實(shí)測MLR運(yùn)用相干平均的方法,只有在強(qiáng)度λn達(dá)到1且整個(gè)測量過程保持1時(shí),信噪比才會(huì)提高N倍,這顯然在實(shí)際測量MLR的過程中是難以實(shí)現(xiàn)的.而且,N>4時(shí)信噪比才會(huì)得到提升.此外,被視為噪聲的EEG幅值是MLR幅值的幾十甚至幾百倍,在針對性的帶通濾波后殘余EEG幅值也會(huì)達(dá)到MLR的幾十倍,其功率可達(dá)到MLR功率的幾百倍,故MLR的疊加次數(shù)一般都很大.本文分別取N=1,3,5,7,即數(shù)據(jù)疊加了80,240,400和560次.

1.3 特征選擇

本文首先提取了傳統(tǒng)的腦電特征進(jìn)行分析研究,包括能量、面積、C0復(fù)雜度、AR模型系數(shù)等.然后,結(jié)合中潛伏期反應(yīng)波形的固有特點(diǎn),提取Na,Pa,Nb波的幅值和潛伏期進(jìn)行顯著性分析研究,并將Na,Pa,Nb波的幅值與傳統(tǒng)的腦電特征組合形成新的特征向量.此處,不選擇No,Po,Pb波的原因在于不同個(gè)體單試次波形各波峰引出率不同,No和Po波更容易淹沒在噪聲中不可辨認(rèn),而Pb波特性較不穩(wěn)定.Na和Nb波幅值取其對應(yīng)潛伏期區(qū)間的最大值;Pa波幅值取其潛伏期區(qū)間的最小值.

1.3.1 能量

根據(jù)帕斯瓦爾定理,第n次測量中的MLR信號sn={s(1),s(2),s(3),…,s(L-1)}的能量為

(6)

式中,X(i)(i=0,1,…,T-1)為xn的T點(diǎn)離散傅里葉變換,且T≥L.計(jì)算能量時(shí),為了濾除直流分量,序列值除去了X(0).實(shí)驗(yàn)中取L=97,T=128.

1.3.2 面積

設(shè)b為MLR與基線圍成的面積,則有

(7)

1.3.3 C0復(fù)雜度

設(shè)sn的L點(diǎn)傅里葉變換為

(8)

則C0復(fù)雜度的表達(dá)式為

(9)

1.3.4 AR模型系數(shù)

AR模型又稱為自回歸模型,可采用如下差分方程來表示:

(10)式中,ε(n)表示均值為零、方差為ζ2的白噪聲序列;ar(r=1,2,…,R)為R階的AR模型系數(shù).本文采用Burg算法提取模型系數(shù),階數(shù)R由高階譜分析工具箱HOSA的定階函數(shù)ARORDER計(jì)算獲取.

1.3.5 幅值

Na波和Nb波的幅值分別由下列公式計(jì)算:

h1=max(s(n))n∈[n1,n2]

(11)

h2=max(s(n))n∈[n3,n4]

(12)

Pa波的幅值為

h3=min(s(n))n∈[n5,n6]

(13)

式中,n1,n2,n3分別為Na,Nb,Pa波潛伏期對應(yīng)的時(shí)間區(qū)間起點(diǎn);n3,n4,n6分別為Na,Nb,Pa波潛伏期對應(yīng)的時(shí)間區(qū)間末尾點(diǎn).

2 實(shí)驗(yàn)結(jié)果與分析

按照1.2節(jié)中方法對每位被試的880條數(shù)據(jù)進(jìn)行預(yù)處理,去偽跡剔除約10%的無用數(shù)據(jù)后,進(jìn)行N個(gè)樣本的相干平均處理,得到數(shù)據(jù)約790/N條.圖4為各被試測量數(shù)據(jù)預(yù)處理后不同狀態(tài)下的MLR波形.提取各被試的傳統(tǒng)腦電特征共10維,記為v={a1,a2,a3,a4,a5,a6,a7,e,b,c0},其中a1～a7為7階AR模型系數(shù).然后,提取了8位被試Na,Pa和Nb波的幅值與潛伏期.

采用SPSS v18.0軟件對所有被試的Na,Pa,Nb波的幅值和潛伏期進(jìn)行方差分析,顯而易見Na,Pa,Nb波的潛伏期沒有顯著差異,而幅值具有顯著性差異(P<0.05),僅將幅值的分析結(jié)果列于表2.表中,被試1,3,6號為女性.

由表2可見,對于所有被試,Na,Pa和Nb波中至少有兩者的幅值存在顯著性差異.將Na,Pa和Nb波幅值的提取結(jié)果與特征向量v組合,得到 13維新的特征向量,即v′={a1,a2,a3,a4,a5,a6,a7,e,b,c0,h1,h2,h3}.

(a) 被試1

(b) 被試2

(c) 被試3

(d) 被試4

(e) 被試5

(f) 被試6

(g) 被試7

(h) 被試8

圖4 不同被試不同狀態(tài)下的MLR波形

表2 方差分析結(jié)果(p=0.05)

被試編號NaPaNb123×4×5×6×78× 注:表示有顯著性差異;×表示沒有顯著性差異.

針對特征v和v′,采用K交叉驗(yàn)證法并結(jié)合SVM和ANN兩種分類器進(jìn)行目標(biāo)識別.所有實(shí)驗(yàn)均在Matlab平臺下進(jìn)行,SVM算法使用libsvm工具箱2.0版本,采用高斯核函數(shù).設(shè)定懲罰參數(shù)c和高斯核參數(shù)g的尋優(yōu)范圍為[2-10,210].ANN算法采用2層神經(jīng)網(wǎng)絡(luò),第1層和第2層分別包含10個(gè)和2個(gè)神經(jīng)元.第1層的傳遞函數(shù)為邏輯函數(shù)(logsig),輸出層的傳遞函數(shù)為線性函數(shù)(linear).對于每位被試,將算法運(yùn)行100次正確率的平均值作為最終采用的識別正確率;將所有被試的識別正確率的算數(shù)平均值作為平均識別正確率.為了研究相干平均對識別效果的影響,將2種分類器與2種特征的4種不同組合隨N值變化的平均識別正確率繪于圖5.

由圖5可見,v′作為特征的平均識別正確率遠(yuǎn)超過v作為特征的平均識別正確率,且隨著N的增加,平均識別正確率逐步提高.ANN作為分類器時(shí),平均識別正確率明顯高于SVM.當(dāng)N=7時(shí)v和v′作為特征的平均識別正確率效果相當(dāng),ANN的平均識別正確率超過95%.

圖5 平均識別正確率折線圖

為對比分析所有被試在2種特征向量下的識別正確率并驗(yàn)證特征向量的普適性,將采用ANN作為分類器、N=5時(shí)所有被試的識別結(jié)果列于表3.由表可知,所有被試在2種特征向量下的識別正確率均高于50%,平均識別正確率分別為79.2%和85.7%,本文所提特征切實(shí)有效.所有被試v′作為特征向量的識別正確率均高于v,最高相差12.1%,可見添加MLR成分波幅值的特征向量具有更好的識別效果.男性和女性之間未見明顯不同.

表3 所有被試識別結(jié)果比較

3 結(jié)論

1) 利用小波濾波、閾值去偽跡、相干平均的預(yù)處理方法處理單電極中潛伏期反應(yīng)數(shù)據(jù)是行之有效的.

2) 中潛伏期反應(yīng)在聽覺注意與非注意狀態(tài)下的成分波Na，Pa，Nb波幅具有顯著性差異，而潛伏期并無差異.

3) 將Na，Pa，Nb波的幅值與能量、面積、C0復(fù)雜度、AR模型系數(shù)組合成為特征向量，以ANN作為分類器時(shí)的平均識別正確率可達(dá)85.7%.

4) 利用單電極中潛伏期反應(yīng)區(qū)分聽覺注意與非注意狀態(tài)是有效的.

References)

[1]Hill N J, Lal T N, Bierig K, et al. An auditory paradigm for brain-computer interfaces[C]//Proceedingsofthe17thInternationalConferenceonNeuralInformationProcessingSystems. Cambridge, Massachusetts, USA: MIT Press, 2004: 569-576.

[2]Sellers E W, Kübler A, Donchin E. Brain-computer interface research at the University of South Florida Cognitive Psychophysiology Laboratory: The P300 Speller[J].IEEETransNeuralSystRehabilEng, 2006, 14(2): 221-224. DOI:10.1109/TNSRE.2006.875580.

[3]Klobassa D S, Vaughan T M, Brunner P, et al. Toward a high-throughput auditory P300-based brain-computer interface[J].ClinicalNeurophysiology, 2009, 120(7): 1252-1261. DOI:10.1016/j.clinph.2009.04.019.

[4]Furdea A, Halder S, Krusienski D J, et al. An auditory oddball (P300) spelling system for brain-computer interfaces[J].Psychophysiology, 2009, 46(3): 617-625. DOI:10.1111/j.1469-8986.2008.00783.x.

[5]Schreuder M, Blankertz B, Tangermann M. A new auditory multi-class brain-computer interface paradigm: spatial hearing as an informative cue[J].PloSONE, 2010, 5(4): e9813. DOI:10.1371/journal.pone.0009813.

[6]Guo J, Gao S, Hong B. An auditory brain-computer interface using active mental response[J].IEEETransNeuralSystRehabilEng, 2010, 18(3): 230-235. DOI:10.1109/TNSRE.2010.2047604.

[7]李興啟,王秋菊.聽覺誘發(fā)反應(yīng)及應(yīng)用 [M].北京:人民軍醫(yī)出版社,2015:208-209.

[8]彭賢,符秋養(yǎng),王濤.聽覺誘發(fā)中潛伏期反應(yīng)研究進(jìn)展[J].聽力學(xué)及言語疾病雜志,2016,24(1):100-104. DOI:10.3969/j.issn.1006-7299.2016.01.027. Peng Xian, Fu Qiuyang, Wang Tao. Advances in auditory middle latency response research[J].JournalofAudiologyandSpeechPathology, 2016, 24(1): 100-104. DOI:10.3969/j.issn.1006-7299.2016.01.027. (in Chinese)

[9]Weihing J, Musiek F. The influence of aging on interaural asymmetries in middle latency response amplitude.[J].JAmAcadAudiol, 2014, 25(4): 324-334. DOI:10.3766/jaaa.25.4.4.

[10]Romero A C L, Funayama C A R, Capellini S A, et al. Auditory middle latency response and phonological awareness in students with learning disabilities[J].IntArchOtorhinolaryngol, 2015, 19(4): 325-330. DOI:10.1055/s-0035-1551552.

[11]Zhang Y, Wang M, Su Y Y. The role of middle latency evoked potentials in early prediction of favorable outcomes among patients with severe ischemic brain injuries[J].JNeurolSci, 2014, 345(1-2): 112-117. DOI:10.1016/j.jns.2014.07.021.

[12]Suzuki T, Hirabayashi M, Kobayashi K. Effects of analog and digital filtering on auditory middle latency responses in adults and young children.[J].AnnOtolRhinolLaryngol, 1984, 93(3): 267-270. DOI:10.1177/000348948409300316.

[13]Ramkissoon I, Beverly B L. Auditory middle latency responses in chronic smokers compared to nonsmokers: Differential effects of stimulus and age[J].JournalofSpeechLanguage&HearingResearchJslhr, 2014, 57(1): 271-284. DOI:10.1044/1092-4388(2013/12-0309).

Feature extraction and recognition of auditory attention in middle latency response from single electrode

Xu Mengyuan1Zou Cairong1,2Liang Ruiyu1,3Wang Li2Wang Qingyun3

(1School of Information Science and Engineering, Southeast University, Nanjing 210096, China)(2School of Mechanica and Electric Engineering, Guangzhou University, Guangzhou 510006, China)(3School of Communication Engineering, Institute of Nanjing Technology, Nanjing 211167, China)

The recognition of auditory attention and non-attention states of normal individuals are studied and realized by the extraction of the differences of middle latency response (MLR) of single electrode. First, the MLR signal is preprocessed by wavelet filtering, threshold de-artifact and coherent averaging. Then, the component wave differences of these two states are analyzed. The amplitudes of the Na, Pa, Nb waves and the traditional characteristics such as the energy, the area, the C0 complexity, and the coefficients of the auto regression model(AR) are combined into a new feature vector. Finally, the support vector machine(SVM) and the artificial neural network(ANN) are used to identify the target by using the traditional feature vector and the new one. The experimental results of eight subjects show that the amplitudes of the Na, Pa and Nb waves have significant differences (p<0.05) under the two different states, while no difference exhibits during the latencies. Using the new feature vector, the mean classification accuracy achieves 85.7% with the ANN classifier. Therefore, it is effective to use MLR from single electrode to distinguish between the auditory attention state and the non-attention state.

auditory attention; middle latency response (MLR); single electrode; artificial neural network(ANN)

10.3969/j.issn.1001-0505.2017.03.003

2016-10-12. 作者簡介: 徐夢圓(1992—),女,碩士生;鄒采榮(聯(lián)系人),男,博士,教授,博士生導(dǎo)師,cairong@seu.edu.cn.

國家自然科學(xué)基金資助項(xiàng)目(61375028,61673108)、江蘇省“六大人才高峰”資助項(xiàng)目(2016-DZXX-023)、江蘇省博士后科研資助計(jì)劃資助項(xiàng)目(1601011B)、江蘇省“青藍(lán)工程”資助項(xiàng)目、廣州大學(xué)廣東省燈光與聲視頻工程技術(shù)研究中心開放基金資助項(xiàng)目(KF201601,KF201602).

徐夢圓,鄒采榮,梁瑞宇,等.單電極中潛伏期反應(yīng)的聽覺注意特征提取與識別[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,47(3):432-437.

10.3969/j.issn.1001-0505.2017.03.003.

R318

A

1001-0505(2017)03-0432-06