平乏、單調的監控作業容易使作業人員覺醒水平下降，為提高監控工作的績效，需識別及喚醒低覺醒狀態，因此本文提出以腦電信號(EEG)為研究對象的低覺醒狀態識別方法。運用小波包變換分解警戒作業人員的EEG信號，獲取EEG信號中的δ、θ、α、β等節律成分；結合各節律計算相對能量和高低頻能量比參數等特征，組成低覺醒狀態識別的特征向量，并使用支持向量機對模擬警戒作業中的低覺醒狀態進行了識別。實驗結果顯示，本文方法能夠很好地區分警戒作業中的低覺醒狀態和覺醒狀態，識別率高。與其它分析方法相比，該方法能夠有效地識別警戒作業中的低覺醒狀態，能夠為低覺醒狀態的喚醒機制提供技術支持。
引用本文： 楊建平, 張德乾, 羅文浪, 肖曉朋. 基于小波包節律和支持向量機的警戒低覺醒腦電信號識別方法. 生物醫學工程學雜志, 2016, 33(1): 61-66. doi: 10.7507/1001-5515.20160012 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
引言
覺醒和睡眠是人體必須的兩個生理過程，兩個生理活動通常以晝夜節律的方式周期性地交替著。然而，像車輛駕駛員、視頻監控者等警戒作業人員在長時間單調的工作、平乏簡單地重復操作后，容易產生困倦而打瞌睡(覺醒水平顯著下降)，覺醒水平下降將導致反應遲鈍、判斷不準而出現工作失誤，甚至導致嚴重的事故。如何識別警戒作業人員的覺醒水平，幫助警戒作業人員在長時間的監控作業中保持適合警戒的覺醒水平，需要對操作者的狀態進行評價。目前很多研究借助圖像處理方法提取操作人員的面部表情，如眼睛的眨動頻率、嘴巴的形狀、頸部的彎曲角度等來判斷駕駛員是否處于瞌睡狀態[1-3]，這類研究從不同的角度描述了人體低覺醒時的特征，取得了一些實際的應用效果。
隨著腦電信號(electroencephalogram,EEG)的采集及應用越來越便利，EEG信號已成為了評價作業人員覺醒狀態的“金標準”[4]。EEG信號記錄了大腦頭皮上腦細胞群的自發性、節律性電活動，能直接反映大腦內部中樞神經系統的活動狀態。國內外的研究發現，當人體的覺醒水平下降，大腦中樞神經系統的活動狀態將發生改變，EEG信號中各節律(包括δ、θ、α、β等節律)的組成會發生相應的變化，如δ節律的能量在整個EEG信號中所占比重逐漸升高，γ節律的能量比重逐漸降低，α節律的能量分布中心逐漸前移，表明EEG信號的頻域特征與覺醒水平存在著明顯的對應關系[5-6]，這些頻域特征非常適合構成表征低覺醒狀態的物理量，因而本文從EEG信號的節律特征入手研究低覺醒狀態。
EEG信號是一種時變的、非平穩信號，以傅里葉變換為基礎的各種功率譜分析方法雖然能夠獲取意義明確的特征參數，但對于分析非平穩信號的局部化特征存在先天的局限性。小波分析及小波包分析是傅里葉頻譜分析的發展，它克服了傅里葉變換的局限性，在時域和頻域上同時具有良好的局部化特性，可以聚焦到研究對象的任意細節，非常適合分析非平穩的EEG信號。支持向量機(support vector machine,SVM)學習方法與神經網絡、遺傳算法、人工智能等其它的學習方法相比，具有較好的推廣能力和非線性處理能力，已在EEG信號識別、人臉檢測、網頁分類、數據融合、函數估計等領域得到了廣泛應用。本文將運用小波包分析方法獲取EEG信號各節律分量，并計算EEG信號各節律的能量，借助SVM對警戒EEG信號進行分類、識別，及時識別出警戒作業人員所出現的低覺醒狀態。
1 小波包原理和EEG信號節律提取
小波變換是一種多尺度的信號變換方法，能夠很好地探索各類非平穩信號(如EEG信號)的時變特性，但它的分解僅局限于低頻部分的更高層次分解，不能較準確地獲取EEG信號的多個基本節律；而小波包分析能夠為EEG信號提供一種更加精細的分解方法，它將頻帶進行多層次劃分，對小波變換中沒有細分的高頻部分進一步分解，并能夠根據EEG信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高了時頻分辨率，對EEG信號提供具體的分解方式。
1.1 小波包的簡要原理
小波包變換中的二尺度方程為：
| $\left\{ \begin{align} & {{\omega }_{2n}}\left( t \right)=\sqrt{2}\sum\limits_{k\in Z}{{{h}_{0k}}\omega \left( 2t-k \right)} \\ & {{\omega }_{2n+1}}\left( t \right)=\sqrt{2}\sum\limits_{k\in Z}{{{h}_{1k}}{{\omega }_{n}}\left( 2t-k \right)} \\ \end{align} \right.$ |
其中h0k和h1k為多分辨率分解中的濾波器系數，在n=0時即為尺度函數
小波包系數的遞推公式為：
| $\left\{ \begin{align} & d_{k}^{j+1,2n}=\sum\limits_{t}{{{h}_{0\left( 2t-k \right)}}d_{l}^{j,n}} \\ & d_{k}^{j+1,2n+1}=\sum\limits_{t}{{{h}_{1\left( 2l-k \right)}}d_{l}^{j,n}} \\ \end{align} \right.$ |
小波包變換的Mallat分解思想可理解為讓EEG信號通過一組濾波器來實現。首先通過一對低通濾波器和高通濾波器，將EEG信號的頻帶0~fs平均分成兩段，低頻0~fs/2和高頻fs/2~fs，接著分別對分解的低頻部分和高頻部分進行1/ 2抽樣，再分別通過一組低通濾波器和高通濾波器，頻帶0~fs/2平均劃分為0~fs/4頻帶和頻帶fs/4~fs/2,頻帶fs/2~fs平均劃分成fs/2~3fs/4頻帶和3fs/4~fs頻帶，如此繼續下去，最后得到帶寬相等、頻帶互不重疊的EEG信號各子信號。
1.2 EEG信號的小波包節律
EEG信號的頻率主要集中在低頻段100 Hz范圍內，采樣頻率100 Hz既能完整獲取EEG信號的各節律，又不需使用太高的小波包分解層次，這里用正交性好的db4小波基對采樣頻率為100 Hz的EEG信號進行7層小波包分解。由于小波包變換后的信號子空間各頻帶內的頻率并不是按照分解樹結點編號的大小順序排列，因而必須理清各個結點重構信號的頻率范圍[7]。對被分析的EEG信號進行小波包分解，若EEG信號子空間的某頻帶是經過偶數次高通濾波器所獲得的，則對該頻帶再分解時，所得到的兩個子頻帶將按照低頻帶到高頻帶的順序排列；反之，若子空間頻帶是經過奇數次高通濾波器獲得的，則對該頻帶進行再分解所得的兩個子頻帶將按照高頻帶到低頻帶的順序排列。信號子空間頻帶的排列順序與低通濾波器無關。如表 1所示為EEG信號分解后各節律所對應的節點，例如[7, 1]表示第七層的第一個節點，各頻帶所選用的節點盡可能采用低分解層次上的節點。
表1
EEG信號節律對應的節點與頻率范圍
Table1.
EEG rhythms of the corresponding node and frequency range
1.3 EEG節律特征
EEG信號及其各節律的能量定義：
人體從覺醒狀態轉向低覺醒狀態變化的過程中，EEG信號的慢波逐漸增加，快波逐漸減少，慢波(δ、θ)和快波(α、β)的能量比具有非常鮮明的狀態特征，是判斷覺醒水平的一個較好指標，為此定義高低頻能量比參數：
2 SVM的分類思想
SVM是由Cortes等[8]根據統計學習理論提出的一種機器學習方法，在小樣本、非線性及高維模式識別中已展現出了獨特的優勢。使用SVM對被試各段EEG信號進行分類時，目標是構造一個判別函數，將待測EEG信號盡可能地分開為覺醒狀態組和低覺醒狀態組，即由EEG信號的特征向量構造超平面ω*x+b=0，并獲取最優判別函數：
| $f\left( x \right)=\sgn \left\{ \sum\limits_{i=1}^{m}{a_{i}^{*}{{y}_{i}}\Phi \left( x,{{x}_{i}} \right)+{{b}^{*}}} \right\},$ |
其中ai*為支持向量系數，b*為分類閾值，m為支持向量的個數。對于線性不可分樣本，則借助非線性變換映射到一個高維空間上，并在變換后的空間上尋求一個最優的超平面，從而使得線性不可分樣本成為線性可分樣本，計算時在高維空間中用核函數代替點積運算進行狀態分類：
| $f\left( x \right)=\sgn \left\{ \sum\limits_{i=1}^{m}{a_{i}^{*}{{y}_{i}}K\left( x,{{x}_{1}} \right)+{{b}^{*}}} \right\}$ |
3 警戒作業的模擬實驗及EEG信號的采集
通過采集、處理警戒作業中被試的EEG信號，識別作業人員在警戒作業中所出現的低覺醒狀態(即僅需把警戒作業中的狀態分為覺醒和低覺醒兩種)，當被試出現低覺醒狀態時立即進行自動識別。
選擇被試10人，均為在校大學生，具有午睡習慣，年齡18~21歲，男生6人，女生4人，身體健康，右利手，實驗前24 h內不能飲用酒、咖啡等刺激性飲料，實驗前一天洗頭(不用油、護發素等)，同一被試隔周采集1次，累計3次。
實驗所用的腦電儀(Neuroscan)由澳大利亞Compumedics公司生產，能夠64導聯采集信號，包括ERP-Workstation的軟、硬件界面控制和Scan4.5的EEG信號記錄及EEG/ERP波形分析軟件。運用E-Prime實驗軟件編輯警戒模擬作業，在電腦屏幕呈現刺激，刺激圖片包括20張簡單的風景圖片(非目標靶)和5張含有人物的風景圖片(目標靶)，組成一組隨機播放的圖片序列，持續2～5 s(時間長短具有隨機性)后圖片將消失。
為確保被試在整個實驗進程中的狀態能包含覺醒狀態過渡到低覺醒狀態的完整過程，選擇午餐后時段(13∶ 00~14∶40)進行模擬警戒作業的實驗，實驗過程持續約100 min。打開E-Prime軟件、運行警戒作業程序后，開始采集EEG信號。在信號采集過程中要求被試眼睛注視著屏幕，判斷靶的類型，并在電腦鍵盤上按相應的鍵。按鍵后E-Prime軟件會自動記錄并保存按鍵反應時間及按鍵正誤，通過按鍵反應時間及按鍵正誤判別是否為低覺醒狀態。
4 實驗結果與分析討論
4.1 節律特征的提取
選用EEG信號中央區的C3電極，用窗函數逐個截取1 000點(10 s)時間序列。比對E-Prime軟件記錄的反應時間與被試EEG信號，確定所截取段的類別組(覺醒狀態組與低覺醒狀態組)。采用db4小波基對截取信號進行七層小波包變換，并重構信號生成δ、θ、α、β各節律。如圖 1所示為實驗中的兩段EEG信號，分別對應低覺醒狀態和覺醒狀態。
圖1
兩種狀態下的EEG信號
Figure1.
EEG signals of two states
如圖 2、圖 3所示，是使用db4小波基分解的小波包分量組成覺醒狀態和低覺醒狀態的各四種節律。計算各節律的能量，由各節律的能量計算出各節律的相對能量ei、高低頻能量比B參數，獲取節律特征向量。按照上述步驟，從同一被試的前兩次實驗的EEG信號中計算出80個覺醒狀態及80個低覺醒狀態的特征向量，共160個特征向量，用作訓練樣本。
圖2
覺醒狀態的小波包節律
中文注解
Figure2. Wavelet packet rhythms of arousal state英文注解
圖3
低覺醒狀態的小波包節律
Figure3.
Wavelet packet rhythms of low arousal state
圖 4和圖 5分別畫出了B參數和δ、θ、α、β相對能量等5組低覺醒狀態與覺醒狀態的盒式對比圖。盒式圖是通過數據中的5個統計量(最小值、第一四分位數、中位數、第三四分位數與最大值)來描述數據的一種方法，它可以粗略地看出數據是否具有對稱性以及分布的分散程度等信息。圖 4中B參數盒式圖中兩盒僅有極小部分發生重疊，能夠非常好地區分低覺醒狀態與覺醒狀態；對于圖 5，4組相對能量的盒式圖中兩狀態盒重疊區間均很少，表明對于大部分數據而言能夠區分低覺醒狀態與覺醒狀態。
圖4
B參數盒式圖
中文注解
Figure4. Box plot of B parameter英文注解
圖5
四節律特征的盒式圖
Figure5.
Box plots of four rhythms
選用第三次實驗采集數據的C3電極，亦采用滑動窗口的方法，窗寬選擇為相同的1 000點，滑動步長取200，依照上述步驟逐個對每一段EEG信號進行小波包分解，并計算出每段的節律特征，共計算出80個特征向量，作為測試樣本。
4.2 低覺醒EEG信號分類實驗
在警戒作業情形下依據EEG信號各節律的特征，從警戒作業中識別低覺醒狀態，當識別為低覺醒狀態時啟動警戒喚醒模式(如聲音喚醒模式)，并對警戒作業人員進行刺激，提高覺醒水平。
在訓練SVM時應選擇合適的核函數、寬度參數δ和懲罰因子C，這里我們采用最常用的RBF核函數，并根據交叉驗證方法[9]尋找最佳的δ和C，獲得δ=4，C=30，并利用最佳參數訓練模型。
為盡可能減少運算量，需要使用較少的特征并獲取最佳的分類效果，因而針對同一被試，進行多個低覺醒狀態EEG信號分類與識別實驗，最后比較不同特征組合的分類效果。
(1) 單獨使用B參數，選用前兩次實驗的160個B參數特征值作為訓練樣本，輸入到SVM分類器進行訓練，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
(2) 使用四節律相對能量為特征向量，前兩次實驗160個特征向量作為訓練樣本，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
(3) 選用B參數+三節律(δ、α、β)相對能量為特征向量，亦選用前兩次實驗的160個EEG信號特征向量作為訓練樣本，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
4.3 低覺醒識別的顯著性檢驗
實驗結果采用SPSS 19.0統計軟件包進行分析，對單變量低覺醒狀態識別采用完全隨機設計的單變量方差分析結果，而針對多變量低覺醒狀態識別則采用完全隨機設計的多變量方差分析結果，組間比較采用最小顯著差分析，P＜0.05為差異具有統計學意義。
10個被試，總共10×80=800個測試樣本，對其中的B參數識別使用了單變量方差分析，“四節律相對能量”和“B參數+三節律相對能量”識別使用了多變量方差分析。分類結果如表 2所示，其中把非目標樣本判為目標樣本稱為誤判，而把目標樣本判為非目標樣本稱為漏判，考慮兩種錯判所帶來的損失不同，在表 2中分開計數，其中識別率為識別正確數與總識別樣本數的百分比。
表2
不同特征的EEG信號分類效果
Table2.
EEG classification effect of different characteristics
從表 2的分類效果看出，使用單特征時B參數的分類效果較好，但使用單參數時覺醒狀態與低覺醒狀態組間差異無統計學意義(P＞0.05)；當使用四特征時，B參數+三節律相對能量的分類方法效果最好，且覺醒組與低覺醒組間有顯著差異(P＜0.05)，其顯著水平為95%。
4.4 不同方法的比較
功率譜是EEG信號分析中最經典的方法，如圖 6所示，為一被試覺醒狀態與低覺醒狀態的功率譜對照圖，低覺醒時δ節律(0.5~3.5 Hz)的能量比重較大，而α、β等節律(＞8 Hz)的能量比重相對較低。通過劃分功率譜的各頻帶可構造各節律的相對功率pi為特征向量：pi=Pi/P，P為EEG信號的總功率，Pi為某節律的功率，pi為某一節律所占總功率的比例，構造了pσ、pθ、pα、pβ四個特征量，并用這種經典的譜分解法識別低覺醒狀態，識別效果如表 3所示。
圖6
功率譜對比
Figure6.
Contrast of the two spectrums
表3
本文方法與其它方法比較
Table3.
Comparison of this method with other method
為考查本文方法與其它分類方法的識別效果，我們對選用的EEG信號進行了其它特征的計算，并用表 3中的方法進行了低覺醒狀態識別。表 3給出了比較結果，表明本文方法在警戒監控中對低覺醒狀態的識別具有一定的優越性。
5 結束語
本文采用小波包節律構成特征向量，運用SVM 方法對模擬警戒作業的覺醒水平進行了分類。實驗中首先對EEG信號進行小波包分解，生成EEG信號的四種基本節律用于表征被試的覺醒水平，并通過EEG信號的各節律構造了各節律的相對能量和高低頻節律比參數共5個特征，選擇分類較好的4個組成特征向量，最后使用SVM對模擬警戒作業中的低覺醒狀態進行了識別。對比其它分析方法發現，該方法能夠有效識別警戒作業中的低覺醒狀態，能夠為低覺醒狀態的喚醒機制提供技術支持。
引言
覺醒和睡眠是人體必須的兩個生理過程，兩個生理活動通常以晝夜節律的方式周期性地交替著。然而，像車輛駕駛員、視頻監控者等警戒作業人員在長時間單調的工作、平乏簡單地重復操作后，容易產生困倦而打瞌睡(覺醒水平顯著下降)，覺醒水平下降將導致反應遲鈍、判斷不準而出現工作失誤，甚至導致嚴重的事故。如何識別警戒作業人員的覺醒水平，幫助警戒作業人員在長時間的監控作業中保持適合警戒的覺醒水平，需要對操作者的狀態進行評價。目前很多研究借助圖像處理方法提取操作人員的面部表情，如眼睛的眨動頻率、嘴巴的形狀、頸部的彎曲角度等來判斷駕駛員是否處于瞌睡狀態[1-3]，這類研究從不同的角度描述了人體低覺醒時的特征，取得了一些實際的應用效果。
隨著腦電信號(electroencephalogram,EEG)的采集及應用越來越便利，EEG信號已成為了評價作業人員覺醒狀態的“金標準”[4]。EEG信號記錄了大腦頭皮上腦細胞群的自發性、節律性電活動，能直接反映大腦內部中樞神經系統的活動狀態。國內外的研究發現，當人體的覺醒水平下降，大腦中樞神經系統的活動狀態將發生改變，EEG信號中各節律(包括δ、θ、α、β等節律)的組成會發生相應的變化，如δ節律的能量在整個EEG信號中所占比重逐漸升高，γ節律的能量比重逐漸降低，α節律的能量分布中心逐漸前移，表明EEG信號的頻域特征與覺醒水平存在著明顯的對應關系[5-6]，這些頻域特征非常適合構成表征低覺醒狀態的物理量，因而本文從EEG信號的節律特征入手研究低覺醒狀態。
EEG信號是一種時變的、非平穩信號，以傅里葉變換為基礎的各種功率譜分析方法雖然能夠獲取意義明確的特征參數，但對于分析非平穩信號的局部化特征存在先天的局限性。小波分析及小波包分析是傅里葉頻譜分析的發展，它克服了傅里葉變換的局限性，在時域和頻域上同時具有良好的局部化特性，可以聚焦到研究對象的任意細節，非常適合分析非平穩的EEG信號。支持向量機(support vector machine,SVM)學習方法與神經網絡、遺傳算法、人工智能等其它的學習方法相比，具有較好的推廣能力和非線性處理能力，已在EEG信號識別、人臉檢測、網頁分類、數據融合、函數估計等領域得到了廣泛應用。本文將運用小波包分析方法獲取EEG信號各節律分量，并計算EEG信號各節律的能量，借助SVM對警戒EEG信號進行分類、識別，及時識別出警戒作業人員所出現的低覺醒狀態。
1 小波包原理和EEG信號節律提取
小波變換是一種多尺度的信號變換方法，能夠很好地探索各類非平穩信號(如EEG信號)的時變特性，但它的分解僅局限于低頻部分的更高層次分解，不能較準確地獲取EEG信號的多個基本節律；而小波包分析能夠為EEG信號提供一種更加精細的分解方法，它將頻帶進行多層次劃分，對小波變換中沒有細分的高頻部分進一步分解，并能夠根據EEG信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高了時頻分辨率，對EEG信號提供具體的分解方式。
1.1 小波包的簡要原理
小波包變換中的二尺度方程為：
| $\left\{ \begin{align} & {{\omega }_{2n}}\left( t \right)=\sqrt{2}\sum\limits_{k\in Z}{{{h}_{0k}}\omega \left( 2t-k \right)} \\ & {{\omega }_{2n+1}}\left( t \right)=\sqrt{2}\sum\limits_{k\in Z}{{{h}_{1k}}{{\omega }_{n}}\left( 2t-k \right)} \\ \end{align} \right.$ |
其中h0k和h1k為多分辨率分解中的濾波器系數，在n=0時即為尺度函數
小波包系數的遞推公式為：
| $\left\{ \begin{align} & d_{k}^{j+1,2n}=\sum\limits_{t}{{{h}_{0\left( 2t-k \right)}}d_{l}^{j,n}} \\ & d_{k}^{j+1,2n+1}=\sum\limits_{t}{{{h}_{1\left( 2l-k \right)}}d_{l}^{j,n}} \\ \end{align} \right.$ |
小波包變換的Mallat分解思想可理解為讓EEG信號通過一組濾波器來實現。首先通過一對低通濾波器和高通濾波器，將EEG信號的頻帶0~fs平均分成兩段，低頻0~fs/2和高頻fs/2~fs，接著分別對分解的低頻部分和高頻部分進行1/ 2抽樣，再分別通過一組低通濾波器和高通濾波器，頻帶0~fs/2平均劃分為0~fs/4頻帶和頻帶fs/4~fs/2,頻帶fs/2~fs平均劃分成fs/2~3fs/4頻帶和3fs/4~fs頻帶，如此繼續下去，最后得到帶寬相等、頻帶互不重疊的EEG信號各子信號。
1.2 EEG信號的小波包節律
EEG信號的頻率主要集中在低頻段100 Hz范圍內，采樣頻率100 Hz既能完整獲取EEG信號的各節律，又不需使用太高的小波包分解層次，這里用正交性好的db4小波基對采樣頻率為100 Hz的EEG信號進行7層小波包分解。由于小波包變換后的信號子空間各頻帶內的頻率并不是按照分解樹結點編號的大小順序排列，因而必須理清各個結點重構信號的頻率范圍[7]。對被分析的EEG信號進行小波包分解，若EEG信號子空間的某頻帶是經過偶數次高通濾波器所獲得的，則對該頻帶再分解時，所得到的兩個子頻帶將按照低頻帶到高頻帶的順序排列；反之，若子空間頻帶是經過奇數次高通濾波器獲得的，則對該頻帶進行再分解所得的兩個子頻帶將按照高頻帶到低頻帶的順序排列。信號子空間頻帶的排列順序與低通濾波器無關。如表 1所示為EEG信號分解后各節律所對應的節點，例如[7, 1]表示第七層的第一個節點，各頻帶所選用的節點盡可能采用低分解層次上的節點。
表1
EEG信號節律對應的節點與頻率范圍
Table1.
EEG rhythms of the corresponding node and frequency range
1.3 EEG節律特征
EEG信號及其各節律的能量定義：
人體從覺醒狀態轉向低覺醒狀態變化的過程中，EEG信號的慢波逐漸增加，快波逐漸減少，慢波(δ、θ)和快波(α、β)的能量比具有非常鮮明的狀態特征，是判斷覺醒水平的一個較好指標，為此定義高低頻能量比參數：
2 SVM的分類思想
SVM是由Cortes等[8]根據統計學習理論提出的一種機器學習方法，在小樣本、非線性及高維模式識別中已展現出了獨特的優勢。使用SVM對被試各段EEG信號進行分類時，目標是構造一個判別函數，將待測EEG信號盡可能地分開為覺醒狀態組和低覺醒狀態組，即由EEG信號的特征向量構造超平面ω*x+b=0，并獲取最優判別函數：
| $f\left( x \right)=\sgn \left\{ \sum\limits_{i=1}^{m}{a_{i}^{*}{{y}_{i}}\Phi \left( x,{{x}_{i}} \right)+{{b}^{*}}} \right\},$ |
其中ai*為支持向量系數，b*為分類閾值，m為支持向量的個數。對于線性不可分樣本，則借助非線性變換映射到一個高維空間上，并在變換后的空間上尋求一個最優的超平面，從而使得線性不可分樣本成為線性可分樣本，計算時在高維空間中用核函數代替點積運算進行狀態分類：
| $f\left( x \right)=\sgn \left\{ \sum\limits_{i=1}^{m}{a_{i}^{*}{{y}_{i}}K\left( x,{{x}_{1}} \right)+{{b}^{*}}} \right\}$ |
3 警戒作業的模擬實驗及EEG信號的采集
通過采集、處理警戒作業中被試的EEG信號，識別作業人員在警戒作業中所出現的低覺醒狀態(即僅需把警戒作業中的狀態分為覺醒和低覺醒兩種)，當被試出現低覺醒狀態時立即進行自動識別。
選擇被試10人，均為在校大學生，具有午睡習慣，年齡18~21歲，男生6人，女生4人，身體健康，右利手，實驗前24 h內不能飲用酒、咖啡等刺激性飲料，實驗前一天洗頭(不用油、護發素等)，同一被試隔周采集1次，累計3次。
實驗所用的腦電儀(Neuroscan)由澳大利亞Compumedics公司生產，能夠64導聯采集信號，包括ERP-Workstation的軟、硬件界面控制和Scan4.5的EEG信號記錄及EEG/ERP波形分析軟件。運用E-Prime實驗軟件編輯警戒模擬作業，在電腦屏幕呈現刺激，刺激圖片包括20張簡單的風景圖片(非目標靶)和5張含有人物的風景圖片(目標靶)，組成一組隨機播放的圖片序列，持續2～5 s(時間長短具有隨機性)后圖片將消失。
為確保被試在整個實驗進程中的狀態能包含覺醒狀態過渡到低覺醒狀態的完整過程，選擇午餐后時段(13∶ 00~14∶40)進行模擬警戒作業的實驗，實驗過程持續約100 min。打開E-Prime軟件、運行警戒作業程序后，開始采集EEG信號。在信號采集過程中要求被試眼睛注視著屏幕，判斷靶的類型，并在電腦鍵盤上按相應的鍵。按鍵后E-Prime軟件會自動記錄并保存按鍵反應時間及按鍵正誤，通過按鍵反應時間及按鍵正誤判別是否為低覺醒狀態。
4 實驗結果與分析討論
4.1 節律特征的提取
選用EEG信號中央區的C3電極，用窗函數逐個截取1 000點(10 s)時間序列。比對E-Prime軟件記錄的反應時間與被試EEG信號，確定所截取段的類別組(覺醒狀態組與低覺醒狀態組)。采用db4小波基對截取信號進行七層小波包變換，并重構信號生成δ、θ、α、β各節律。如圖 1所示為實驗中的兩段EEG信號，分別對應低覺醒狀態和覺醒狀態。
圖1
兩種狀態下的EEG信號
Figure1.
EEG signals of two states
如圖 2、圖 3所示，是使用db4小波基分解的小波包分量組成覺醒狀態和低覺醒狀態的各四種節律。計算各節律的能量，由各節律的能量計算出各節律的相對能量ei、高低頻能量比B參數，獲取節律特征向量。按照上述步驟，從同一被試的前兩次實驗的EEG信號中計算出80個覺醒狀態及80個低覺醒狀態的特征向量，共160個特征向量，用作訓練樣本。
圖2
覺醒狀態的小波包節律
中文注解
Figure2. Wavelet packet rhythms of arousal state英文注解
圖3
低覺醒狀態的小波包節律
Figure3.
Wavelet packet rhythms of low arousal state
圖 4和圖 5分別畫出了B參數和δ、θ、α、β相對能量等5組低覺醒狀態與覺醒狀態的盒式對比圖。盒式圖是通過數據中的5個統計量(最小值、第一四分位數、中位數、第三四分位數與最大值)來描述數據的一種方法，它可以粗略地看出數據是否具有對稱性以及分布的分散程度等信息。圖 4中B參數盒式圖中兩盒僅有極小部分發生重疊，能夠非常好地區分低覺醒狀態與覺醒狀態；對于圖 5，4組相對能量的盒式圖中兩狀態盒重疊區間均很少，表明對于大部分數據而言能夠區分低覺醒狀態與覺醒狀態。
圖4
B參數盒式圖
中文注解
Figure4. Box plot of B parameter英文注解
圖5
四節律特征的盒式圖
Figure5.
Box plots of four rhythms
選用第三次實驗采集數據的C3電極，亦采用滑動窗口的方法，窗寬選擇為相同的1 000點，滑動步長取200，依照上述步驟逐個對每一段EEG信號進行小波包分解，并計算出每段的節律特征，共計算出80個特征向量，作為測試樣本。
4.2 低覺醒EEG信號分類實驗
在警戒作業情形下依據EEG信號各節律的特征，從警戒作業中識別低覺醒狀態，當識別為低覺醒狀態時啟動警戒喚醒模式(如聲音喚醒模式)，并對警戒作業人員進行刺激，提高覺醒水平。
在訓練SVM時應選擇合適的核函數、寬度參數δ和懲罰因子C，這里我們采用最常用的RBF核函數，并根據交叉驗證方法[9]尋找最佳的δ和C，獲得δ=4，C=30，并利用最佳參數訓練模型。
為盡可能減少運算量，需要使用較少的特征并獲取最佳的分類效果，因而針對同一被試，進行多個低覺醒狀態EEG信號分類與識別實驗，最后比較不同特征組合的分類效果。
(1) 單獨使用B參數，選用前兩次實驗的160個B參數特征值作為訓練樣本，輸入到SVM分類器進行訓練，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
(2) 使用四節律相對能量為特征向量，前兩次實驗160個特征向量作為訓練樣本，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
(3) 選用B參數+三節律(δ、α、β)相對能量為特征向量，亦選用前兩次實驗的160個EEG信號特征向量作為訓練樣本，根據訓練結果對第三次實驗的80段EEG信號進行分類測試。
4.3 低覺醒識別的顯著性檢驗
實驗結果采用SPSS 19.0統計軟件包進行分析，對單變量低覺醒狀態識別采用完全隨機設計的單變量方差分析結果，而針對多變量低覺醒狀態識別則采用完全隨機設計的多變量方差分析結果，組間比較采用最小顯著差分析，P＜0.05為差異具有統計學意義。
10個被試，總共10×80=800個測試樣本，對其中的B參數識別使用了單變量方差分析，“四節律相對能量”和“B參數+三節律相對能量”識別使用了多變量方差分析。分類結果如表 2所示，其中把非目標樣本判為目標樣本稱為誤判，而把目標樣本判為非目標樣本稱為漏判，考慮兩種錯判所帶來的損失不同，在表 2中分開計數，其中識別率為識別正確數與總識別樣本數的百分比。
表2
不同特征的EEG信號分類效果
Table2.
EEG classification effect of different characteristics
從表 2的分類效果看出，使用單特征時B參數的分類效果較好，但使用單參數時覺醒狀態與低覺醒狀態組間差異無統計學意義(P＞0.05)；當使用四特征時，B參數+三節律相對能量的分類方法效果最好，且覺醒組與低覺醒組間有顯著差異(P＜0.05)，其顯著水平為95%。
4.4 不同方法的比較
功率譜是EEG信號分析中最經典的方法，如圖 6所示，為一被試覺醒狀態與低覺醒狀態的功率譜對照圖，低覺醒時δ節律(0.5~3.5 Hz)的能量比重較大，而α、β等節律(＞8 Hz)的能量比重相對較低。通過劃分功率譜的各頻帶可構造各節律的相對功率pi為特征向量：pi=Pi/P，P為EEG信號的總功率，Pi為某節律的功率，pi為某一節律所占總功率的比例，構造了pσ、pθ、pα、pβ四個特征量，并用這種經典的譜分解法識別低覺醒狀態，識別效果如表 3所示。
圖6
功率譜對比
Figure6.
Contrast of the two spectrums
表3
本文方法與其它方法比較
Table3.
Comparison of this method with other method
為考查本文方法與其它分類方法的識別效果，我們對選用的EEG信號進行了其它特征的計算，并用表 3中的方法進行了低覺醒狀態識別。表 3給出了比較結果，表明本文方法在警戒監控中對低覺醒狀態的識別具有一定的優越性。
5 結束語
本文采用小波包節律構成特征向量，運用SVM 方法對模擬警戒作業的覺醒水平進行了分類。實驗中首先對EEG信號進行小波包分解，生成EEG信號的四種基本節律用于表征被試的覺醒水平，并通過EEG信號的各節律構造了各節律的相對能量和高低頻節律比參數共5個特征，選擇分類較好的4個組成特征向量，最后使用SVM對模擬警戒作業中的低覺醒狀態進行了識別。對比其它分析方法發現，該方法能夠有效識別警戒作業中的低覺醒狀態，能夠為低覺醒狀態的喚醒機制提供技術支持。
