李永強，逯鵬，王治忠

（鄭州大學電氣工程學院，河南 鄭州 450001）

近似熵在大鼠狀態(tài)識別中的應(yīng)用

李永強，逯鵬，王治忠

（鄭州大學電氣工程學院，河南 鄭州 450001）

以大鼠作為實驗動物，采用近似熵的方法，分析大鼠初級視覺皮層的自發(fā)腦電信號，從而判別大鼠安靜、睡眠和活動3種狀態(tài).實驗結(jié)果表明，采用近似熵算法，使用較短的數(shù)據(jù)就能對大鼠的狀態(tài)進行有效識別，減少了冗余的計算量，解決在復(fù)雜隱蔽環(huán)境中對大鼠狀態(tài)的識別問題.

自發(fā)腦電信號；近似熵；狀態(tài)識別；大鼠；初級視覺皮層

如何在復(fù)雜隱蔽的環(huán)境下快速準確地判別出生物體的狀態(tài)，進而發(fā)出指令對生物體進行控制，是生物機器人研究的重要問題之一［1-2］.對生物體的狀態(tài)進行識別的最有效方法是研究生物的腦電（EEG）信號.EEG信號是生物中樞神經(jīng)系統(tǒng)自發(fā)產(chǎn)生的生物電活動，攜帶著有關(guān)中樞神經(jīng)系統(tǒng)狀態(tài)和變化的信息.因此，如果能夠正確地描述信號的特性及變化，則可以由EEG信號來識別生物體在人類視覺觀察不到的環(huán)境中所處的狀態(tài).近年來，非線性動力學分析方法被應(yīng)用于腦電信號的研究中，取得良好的效果，擁有廣闊的發(fā)展前景.但這些常用的非線性指標如分形維、Lyapunov指數(shù)［3］等，要求數(shù)據(jù)序列足夠長才能得到可靠的結(jié)果.由于腦電信號的極度非平穩(wěn)性，測量時間稍長則系統(tǒng)的動力學參數(shù)就可能發(fā)生實質(zhì)性的改變.1991年，Pincus［4-5］提出的一種度量序列的復(fù)雜性和統(tǒng)計量化的非線性動力學參數(shù)，是一種不需要進行粗?；哪X電復(fù)雜性測度分析方法.它用一個非負數(shù)來表示一個時間序列的復(fù)雜性，反映時間序列中新信息發(fā)生率，越復(fù)雜的時間序列對應(yīng)的近似熵越大.與其他非線性動力學參數(shù)相比，具有所需數(shù)據(jù)長度短的特點，且具有一定的抗噪能力［6-7］.基于此，本文將近似熵方法應(yīng)用到大鼠狀態(tài)的判別中.

1 實驗方法

取一只體質(zhì)量為300～400g的清潔級SD（Sprague-Dawley）大鼠作為實驗樣本進行麻醉，麻醉深度以用指掐大鼠后肢無敏感反應(yīng)為度.然后，對其進行手術(shù)，將多通道微電極植入鼠大腦的初級視覺皮層.微電極位置確定后，等待幾分鐘，用牙科水泥將其固定.

除初級視覺皮層植入微電極外，還另外選取對側(cè)腦區(qū)的硬腦膜處作為地電極和參考電極.待所有電極植入完畢后，用牙科水泥固定并封牢.手術(shù)后立即肌肉注射8萬劑量的青霉素鈉，連續(xù)注射3d，恢復(fù)2～3d再進行信號采集.

2 信號采集

大鼠自由進食、進水，在光、暗周期均為12h（光照時間06：00～18：00）條件下飼養(yǎng)，手術(shù)后3d記錄腦電波.試驗時，將術(shù)后恢復(fù)的大鼠放入行為箱中，把神經(jīng)信號采集系統(tǒng)連接到大鼠頭上的微電極接口上，分別在安靜、睡眠、活動狀態(tài)下記錄兩通道腦電圖.其中：第1通道為眼電；第2通道為肌電.

記錄信號經(jīng)微電極放大器輸入到示波器，RM6240CD型生物電信號采集和處理系統(tǒng)（四川成都儀器廠）.采樣頻率為15kHz，濾波常數(shù)為10Hz，時間常數(shù)為0.2s，不同狀態(tài)下大鼠初級視覺皮層腦電圖，如圖1所示.

圖1 不同狀態(tài)下大鼠初級視覺皮層腦電圖Fig.1 EEGof different state in the rat’s primary visual cortex

3 信號除噪

大鼠初級視覺皮層自發(fā)腦電信號的干擾，主要包括肌電干擾、工頻干擾、電極噪聲和基線漂移等.肌電干擾一般為高頻噪聲，在100Hz左右；工頻干擾及其諧波所在的頻段為50Hz或其整倍數(shù).這兩個干擾源與自發(fā)電位所處的低頻段相距較遠，較易濾除.電極噪聲和基線漂移屬于低頻干擾，成為預(yù)處理中的重要處理對象.

實驗采用小波變換法對采集到的數(shù)據(jù)進行除噪［8-9］.由于小波變換法是借助于小波變換的多尺度特征，在不同尺度下進行信號的處理，可以很好地對噪聲進行濾除處理.采用文［8］的方法對第1通道活動狀態(tài)下的大鼠EEG信號進行除噪.對記錄的EEG信號進行小波分解，結(jié)果如圖2所示.圖2中：a1～a8為各尺度下的逼近信號；d1～d8為各尺度下的細節(jié)層信號.

從圖2中可以看出，第8層逼近信號和細節(jié)層信號集中了大量的低頻噪聲.在小波重構(gòu)時，將第8層的低頻系數(shù)置零，濾掉基線漂移和電極噪聲.濾除低頻噪聲和工頻干擾的處理結(jié)果，如圖3所示.

圖2 細節(jié)層和逼近信號波形圖Fig.2 Oscillogram of details of the layer and the approximation signal

圖3 濾除基線漂移和工頻噪聲后的信號圖Fig.3 EEGof filter baseline drift and frequency noise

4 腦電信號的近似熵分析

采用近似熵方法，分析大鼠初級視覺皮層自發(fā)腦電信號.近似熵的計算選用洪波等［10］的近似熵快速算法.其中：m=2，r=0.2（標準差）.在實驗中分別對大鼠在安靜、睡眠、活動3種狀態(tài)下進行分析，每種狀態(tài)的自發(fā)腦電信號分成10段，每段2s，采樣頻率為1 000Hz，故每段數(shù)據(jù)長度為2 000點.兩個通道10段數(shù)據(jù)的近似熵曲線，如圖4所示.其中：橫坐標為10個時間段；縱坐標為不同時間段近似熵（EAp）值；A，P，S分別為活動、安靜、睡眠3種狀態(tài).

EEG信號是中樞神經(jīng)系統(tǒng)自發(fā)產(chǎn)生的生物電活動，攜帶著重要的有關(guān)中樞神經(jīng)系統(tǒng)狀態(tài)和變化的信息.因此，大鼠狀態(tài)的變化必然引起EEG信號的變化，從而表現(xiàn)為腦電復(fù)雜度的變化［6］.

從圖4中可以看出，當大鼠處于不同狀態(tài)時會表現(xiàn)出不同的EEG信號，不同狀態(tài)下近似熵值有明顯的差別.大鼠處于安靜狀態(tài)時，神經(jīng)元細胞的活動受到抑制，表現(xiàn)為腦電信號的復(fù)雜度低，近似熵值也比較小；大鼠處于睡眠狀態(tài)時，神經(jīng)元細胞的活動同樣受到抑制，腦區(qū)各區(qū)域趨向同步化，所有神經(jīng)元活動是同步的，近似熵值較低；大鼠處于活動狀態(tài)時，會出現(xiàn)頻率比較高的自發(fā)腦電信號，神經(jīng)元細胞電活動加劇，表現(xiàn)為腦電信號復(fù)雜度升高，近似熵值增大.

根據(jù)分析結(jié)果對大鼠的狀態(tài)進行預(yù)測.當近似熵值在0.020～0.060之間時，可近似認為大鼠處于睡眠狀態(tài)；當近似熵值在0.060～0.100之間時，可近似認為大鼠處于安靜狀態(tài)；當近似熵值在0.100以上時，可近似認為大鼠處于活動狀態(tài).

圖4 大鼠初級視覺皮層自發(fā)腦電信號的近似熵曲線Fig.4 EEG ApEn curve in the rat’s primary visual cortex

5 驗證

為了驗證預(yù)測結(jié)果的正確性，對多組數(shù)據(jù)進行近似熵檢測.檢測200組數(shù)據(jù)得到檢測結(jié)果和實際狀態(tài)對比，如表1所示.從表1可以得出，活動狀態(tài)下檢測誤差較小，能很好地識別出大鼠的狀態(tài)；而安靜和睡眠狀態(tài)下檢測誤差相對較大.這是由于大鼠在安靜和睡眠時都處于休息，腦電信號有很多相似處，所以有時候這兩種狀態(tài)不容易區(qū)分.此外，自發(fā)腦電信號受思維和外部環(huán)境的影響較大，故所計算出的近似熵值會有一些誤差.

表1 檢測結(jié)果與實際狀態(tài)對比Tab.1 Test results compared with the actual state

6 結(jié)束語

大量數(shù)據(jù)檢測分析表明，用近似熵方法對生物體的狀態(tài)進行識別是有效的.用近似熵對大鼠的狀態(tài)進行判別，具有直觀和快速的優(yōu)點，對生物機器人技術(shù)的發(fā)展有一定的推動作用.近似熵方法在嚙齒類哺乳動物中的應(yīng)用效果較好，后續(xù)工作是在其他生物體中進行進一步的檢測驗證.

［1］L EMONICK M D.Send in the roborats［N］.Time，2002-03-05.

［2］MEEKJ.Live rats driven by remote control［N］.The Guardian，2002-05-02.

［3］IASEMIDIS L D，SHIAU D S，SACKELLARES J C，et al.Dynamical resetting of the human brain at epileptic seizures：Application of nonlinear dynamics and global optimization techniques［J］.IEEE Transactions on Biomedical Engineering，2004，51（3）：493-506.

［4］PINCUS S M.Approximate entropy as a measure of system complexity［J］.Proc National Aeademy Sciences，1991，88（6）：2297-2301.

［5］PINCUS S M，GOLDBERGER A L.Physiological time-series analysis：What dose regularity quantify？［J］.American Journal of Physiology，1994，266（4）：H1643-H1656.

［6］白冬梅，邱天爽，陳艷霞.近似熵在缺氧性腦損傷檢測中的應(yīng)用研究［J］.中國生物醫(yī)學工程學報，2006，25（3）：361-364.

［7］白冬梅，邱天爽，李小兵.樣本熵及在腦電癲癇檢測中的應(yīng)用［J］.生物醫(yī)學工程學雜志，2007，24（1）：200-205.

［8］DONOHO D L.De-noising by soft-thresholding［J］.IEEE Trnas on IT，1995，41（3）：617-627.

［9］王巧蘭，季忠.基于小波變換的腦電噪聲消除方法［J］.重慶大學學報：自然科學版，2005，28（7）：15-17.

［10］洪波，唐慶玉.近似熵、互近似熵的性質(zhì)、快速算法及其在腦電與認知研究中的初步應(yīng)用［J］.信號處理，1999，15（2）：100-108.

Application of Approximate Entropy in Rats’State Recognition

LI Yong-qiang，LU Peng，WAN G Zhi-zhong
（School of Electrical Engineering，Zhengzhou University，Zhengzhou 450001，China）

With rats as experimental animals，using the approximate entropy method to analyze the spontaneous electroencephalogram（EEG）of the rats in primary visual cortex，thus distinguishing rats’states which are in quietude，sleep and activity.Experimental results show that using approximate entropy algorithm will be able to identify the state of rats effectively and reduce redundant computation just use the shorter data，as well as to solve the problem of rats’state identification that hidden in a complex environment.

spontaneous electroencephalogram；approximate entropy；state recognition；rat；primary visual cortexn

TP 301.6；TP 391.4

A

1000-5013（2010）04-0392-04

（責任編輯：黃仲一 英文審校：吳逢鐵）

2009-10-21

逯鵬（1975-），男，講師，博士，主要從事智能信息過程與信號檢測的研究.E-mail：lupeng@zzu.edu.cn.

國家自然科學基金資助項目（60841004）