引 言

α波影响着大脑的很多高级功能，有研究表明，人的社会创造性与α波息息相关^[1]，而在放松状态下产生的α波可以增强人的记忆、加快收集资料的速度，促进人更有效地完成任务^[2]。因此，为了更好地了解有关认知、创造等大脑活动机制，α波的研究受到了广泛关注^[3,4]。马小萌等分别计算抑郁症组与对照组中26个脑区域的静息态脑电α波在频域的幅值平均值，并统计其与左右不对称性的相关性，指出α波的左右不对称性可能与抑制负性自我加工偏向的神经活动有关^[5]。而在脑电信号(Electroence-phalogram,EEG)研究中，EEG信号是神经元细胞集群放电活动在头皮的综合反映，并不是脑内神经元集群产生信号的直接对应^[6]，而了解神经元集的活动才能更好地了解大脑活动。仅研究不同脑区的α波差异，缺乏对α波的溯源分析，所提供的信息对分析大脑神经活动不够全面。文献[7]用独立成分分析(Independent component analysis,ICA)算法分解被试者的自发脑电信号，并指出分解得到的脑电信号表现出了一种自然基础。鉴于此，本文提出了α波独立分量能量分析法，探讨不同脑区的α波和各独立分量的关系，将FastICA分解的独立分量看作源信号，以同一脑区在不同独立分量中的α波功率分布比值作为衡量两者关系的尺度；并结合源定位算法对独立分量进行源定位，获取大脑中源信号的位置信息，以此进行α波的溯源分析，弥补了只分析α波脑区差异而造成的信息不足的缺陷。本文以放松状态下产生的EEG信号为研究对象进行分析，其分析结果可为放松状态下α波产生的神经活动提供参考。

1 脑电数据采集

试验中选取6名被试者，均为男性，无疾病史，26周岁，右利手，脑电采集系统使用OPENBCI测试系统，其测试电极为Ag/cl干电极，采样频率为250 Hz。图1给出了国际标准导联10-20系统导联位置，放置的测试区域分别为：Fp1（左额极），Fp2（右额极），C₃（左中央），C₄（右中央），T₅（左后颞），T₆（右后颞），O₁（左枕区）和O₂（右枕区），A₁，A₂作为测试的参考电极分别放置于左耳、右耳部位。

图1 国际标准导联10-20系统电极安放法

Fig.1 International standard lead 10-20 system electrode placement method

整个采集过程持续约7 min，测试过程中测试者应尽量保持不动，以免带来不必要的干扰。被试者在1~2 min使用手机进行网页的浏览，属自由活动时间；3~7 min放下手机，进入思绪漫游的放松状态。选取每个被试者进入思绪漫游状态后的较好的EEG信号进行分析，时间段为10 s。

2 分析模型的建立及其原理

试验共获得放松状态下的6组脑电数据，为了使研究具有针对性，对α波的主要分布脑区进行溯源分析，分为以下几个步骤：

（1）通过计算预处理后的EEG信号的α波功率，分析α波的主要活动区域；

（2）将FastICA分解获得的独立分量看作源信号，进行源定位分析，获取源信号的的脑内分布模型；

（3）α波主要分布脑区的α波独立分量能量分析，其核心是计算脑区从各独立分量中映射α波的功率情况，以功率分布比值大小作为评估测试区域与独立分量关系，并对结果进行统计分析。

2.1　FastICA算法原理

对于观测信号矢量，存在一个线性变换，使观测信号在线性变换下的每个分量统计独立最大化，其称之为ICA过程^[8]，其简化的模型为：若有M个源信号s1(t),s2(t),⋯,sM(t)在统计上相互独立，则其线性组合产成N（M≤N）个随机变量x1(t),x2(t),⋯,xN(t)，第i个混合信号输出为xi(t)=ai1s1(t)+ai2s2(t)+⋯+aiNsN(t)=As(t)其中，i=1,2,⋯,N，aij为混合系数^[6]。从M维观测信号中找到隐含的源信号，可将其简化为线性问题过程：Y(t)=WTX(t)，WT为待确定的分离矩阵，这些变换后的向量y即所求独立成分。

作为一种ICA算法，FastICA算法基于非高斯最大化原理，以最大化负熵作为其目标函数，采用牛顿迭代算法对观测变量的大量采样点进行批处理，收敛速度快，使用方便^[8]。

2.2　脑电信号预处理

脑电信号是一种微弱复杂的生理信号，而工频、眼电以及心电等干扰信号幅值大，极易将有用的脑电信号淹没^[9,10]。为了分析放松状态下产生α波的主要脑区，需要对脑电信号进行预处理后再对α波功率进行统计。工频干扰以及电磁干扰往往发生在较高的频段，可以采用经典滤波方法去除，而眼电伪迹采用传统滤波的方法很难去除，因此，可使用FastICA算法去除。预处理模型如图2所示。

图2 脑电信号预处理模型

Fig.2 EEG signal preprocessing model

预处理的具体步骤如下：

（1）输入为实测八通道脑电信号，利用50 Hz的陷波器进去除工频干扰信号；

（2）利用FastICA算法对步骤（1）得到的信号进行分解，以获得多个独立成分，以及对应的分解矩阵WT和混合矩阵A；

（3）根据眼电伪迹的特点，进行辨识；

（4）将WT对应的眼电伪迹分量置0，并与混合矩阵A相乘，重构后得到去除工频干扰以及眼电伪迹的信号。

2.3　α波主要分布区域分析

EEG信号经过预处理后，对α波主要分布区域分析，具体步骤为：

（1）对脑电信号进行功率谱密度（Power spectral density,PSD）分析，计算经过预处理后每个通道的EEG信号功率；

（2）利用梯形积分法计算每组各通道的α波（8~12 Hz）功率，对6组数据的不同通道利用两因素方差分析（Two-way analysis of variance， tow-way ANOVA）进行检验统计，确定α波的主要分布脑区。

2.4　独立分量的源定位

由FastICA分解所得的分量，其统计独立性最大，将这些独立分量看作独立生物电信号，为了直观地分析大脑源信号活动情况，对独立分量进行等价偶极子定位，得到脑内源信号的分布模式。

使用MATLAB环境下的EEGLAB14.1工具包中的DIPFIT插件进行源定位，采用电流偶极子模型描述脑内激励源，头模型使用Spherical Four-Shell(BESA)模型。DIPFIT插件可以对每个独立分量进行定位分析，采用相对误差（Relative variance, RV）值来衡量拟合程度，RV越小表示头皮电势分布与偶极子源在头皮上产生点位分布差别越小，拟合程度越好^[11]。

2.5　α波独立分量能量分析法

此方法的核心思想是分析α波的分布脑区对不同源信号中α波功率的映射情况，以其映射功率比值的大小评估测试区域与不同独立分量的关系。此方法结合独立分量的源定位结果，可以更好地了解放松状态下不同脑区的α波主要来自何源信号。具体步骤如下：

（1）假设Anm为分解得到的独立矩阵， n表示通道数，m表示独立分量数，将矩阵A中第i行的j列保留原值，其余元素全部置0,记作Y'（i=1，…，n；j= 1，…，m）；

（2）计算X'=AY'的值，其中A为混合矩阵；

（3）计算X'中第i行的α波功率，即为第j个独立分量在第i个通道中映射的α波功率；

（4）将目标通道在每个独立分量中获取的α波功率值（步骤（3）所得）相加作为总值，并计算不同独立分量在总值中所占的比值；

（5）对拟研究的不同脑区域的不同独立分量映射的α波能量进行两因素重复方差分析，研究不同独立分量和不同脑区，以及两者的交互作用对α波功率是否具有显著影响。

3 结果分析

3.1　α波主要活动区域分析结果

以第1组EEG信号为例进行分析，得到的独立分量时域图如图3所示，可以看出分量1在约3.2 s处、分量6在约0.1 s和0.7 s处出现较大的幅值变化。根据眼电伪迹的特征，可判定为眼动伪迹。

图3 第1组脑电独立分量时域图

Fig.3 Time domain diagram of EEG independent components in the first group

通过预处理脑电信号，计算每个通道的EEG信号的α波功率。6组预处理后被测脑区的α波功率如表1所示，可以看出，α波功率因脑区的不同而差异较大，但是一般的规律是左枕区及右枕区的α波功率较大，其次为右后颞和左后颞。

对不同被试者的不同脑区进行两因素检验统计，结果发现因被试者不同，α波功率有显著差异（F=2.79,df=5,p=0.031 8<0.05）；脑区不同，对α波功率的影响差异显著（F=58.66,df=7,p=0）。此外，左枕区与右枕区的α功率显著大于右后颞、左后颞的α功率（p<0.05），右后颞的α波功率显著大于左后颞，但左枕区与右枕区的α波功率无显著差异（p=0.315 6>0.05)，分析结果与α波的主要分布区域在枕区的论述一致。

不同脑区的α波功率差异较大，这与大脑不同区域负责不同的功能有关。当人体处于放松状态时，与运动相关的额叶区处于不活跃状态，而枕区的α波功率大，这可能与视觉信息的处理以及思维活动等活跃有关，而主要负责处理听觉信息的颞区较额叶来说也比较活跃。

3.2　源定位分析结果

对图3中各独立分量的源定位结果如图4所示，其中括号中的百分比表示RV值。由图4可知，分量1,6在前额眼睛附近，符合眼电伪迹的位置特点。分量7的波形具有α波的典型特点，呈现梭形，并且具有明显的调幅现象，进行频谱分析后，发现其频段集中主要于11~12.5 Hz，源定位后其偶极子在右枕区附近（X=15,Y=-91,Z=6）。分量2的源定位在靠近纵裂的左枕区附近（X=-11,Y=-111,Z=22），其能量也集中于11~12.5 Hz频段。

图4 第1组EEG各独立分量的源定位结果

Fig.4 Source positioning results for EEG independent components in the first group

对其余5组的EEG信号分析时，发现每组源定位结果均不相同，这可能说明不同的被试者在放松状态时的活动神经源有差别，但是在枕区附近均有以α波频段为主的源信号出现，其α波信号特征明显。这说明在放松状态下，枕区附近区域分布有产生以α波为主要频段的神经源。

3.3　α波独立分量能量分析结果

对左枕区、右枕区的EEG信号进行α波的溯源分析。以第1组为例，分析结果表明，右枕区的α波功率的91.13%取决于独立分量7；左枕区的α波功率的95.84%取决于独立分量2。结合源定位分析结果，可以看出，右枕区与左枕区中的α波主要来自各自附近位置的独立神经源。

对其余组进行分析，均发现右枕区与左枕区的α波主要来自其附近位置的独立神经源,这两个神经源所产生的信号频段大约集中在11~13 Hz，并且波形呈梭形，而其他神经源信号的主要频段集中于0.5~6 Hz,在10~13 Hz也占有小部分。

为了分析左枕区与右枕区的α波与其附近位置神经源的关系，采用两因素重复方差分析法对这两个源信号和两个枕区的α波功率进行统计分析。结果显示，在显著水平为0.05时，左枕区和右枕区的不同、独立分量的不同对α波功率并没有显著性影响（F=1.01,df=1,p=0.326;F=2.45,df=1,p=0.126 6），而两者的交互作用具有显著性差异（F=14.37,df=1,p=0.001 1），这表明左枕区和右枕区的α波功率受不同的神经源影响。

4 结束语

通过6个26岁右利手的被试者在放松状态下α波的主要分布区域进行分析，结果发现其α波的主要分布区域位于左枕区和右枕区，两者之间无显著差异，其次是右后颞和左后颞，右后颞的α波功率显著大于左后颞。

放松状态下，对左枕区和右枕区的α波的溯源分析结果显示，虽然6名被试者的左枕区与右枕区的α波功率无没有显著性差异，但是其α波主要来自于不同的神经源，分别位于靠近左枕区的左脑和靠近右枕区的右脑位置，其具有明显的α波信号特征，频段主要集中在11~13 Hz。经过两因素重复方差检验，发现这两个不同的神经源影响了左枕区与右枕区的α波功率。

本文所提出的α波独立分量能量分析法，结合源定位算法所进行的α波溯源分析，亦可对其他状态下产生的α波进行溯源、以及病灶分析定位等，并且建议分析时可适当增加采集电极的个数。

参考文献