方案3 脑电图 EEG 二级分析实验

EEG 初级分析的结果需进行二级分析处理。通常，处理目的是探求所得 EEG 参数是否与特定的实验组、脑状态、心理任务等相关。二级分析采用的统计方法有：Z 检验、方差分析（ANOVA) 和非参数检验方法。然而由于 EEG 信号的复杂性，不可能仅仅基于单一参数而获得可靠的推断结果；为了研究多个脑区内大量 EEG 参数的同步动力学变化，有必要采用多参数评价系统，这种系统能给出新的结果，举例如下。

一、利用人工神经网络进行 EEG 分类

人工神经网络（artifical neual networks,ANNs) 是揭 TK 与某些心理功能相关的 EEG 特征的有用工具，并根据这些特征进行 EEG 分类。

每个 EEG 成分均由某种特定的脑过程引起，而对于这些脑过程的本质往往并不清楚；上述问题与正常被试的 EEG 分类密切相关。由于 EEG 十分复杂，其过程又包含多重成分，通常难以判断选择何种参数作为分类的基础。通常采用特定心理功能相关的 EEG 特征，而该心理功能往往是某特定研究的兴趣所在。因此，若既往没有相关知识，实验者就必须具备将 EEG 特征与心理功能相联结的手段。

通过人工智能系统，特别是人工神经网络（ANNs，见第二十五章）就能够做到上述这一点。ANNs 技术实际上是一种多参数分析，其使用方便，并具有强大的特征提取和数据分类功能。目前已有许多不同的 ANNs 范式，其中一些已经成功地用于 EEG 分类（Bankmanetal.1992;GaborandSeyal1992;PeltorantaandPfurtscheller1994) 。以下介绍的是利用简单的双层习得（twolayeredlearned)ANN 对正常被试 EEG 进行分类的一种方法（Ivanitskyetal.1997) 。首先教给人工神经网络如何区分不同脑状态相对应的 EEG 模式，并找出和脑状态有关的特征；在这一称为「学习」的阶段中，形成了一系列的 EEG 模式，每个模式根据被试执行的已知心理操作是确定的。然后多次以随机的次序给予一系列已习得的 EEG 模式，直到该网络能够正确辨识这些模式。ANN 通过不断修改内部的权重而达到辨识。学习阶段之后，已确定的权数就不再改变。此后该网络便可以用于对学习阶段未出现或未知类别的新数据进行辨识和分类。

对于 ANN 最终内部权重（在学习过程中所确定）的分析，可能找到 ANN 分类时采用的主要 EEG 特征，即哪些特征才是被研究的心理过程的主要特性。

上述技术可以在以下两个方面得到应用：第一，脑活动的在线监测和特定心理状态的探查；其次，作为某一心理功能所对应的 EEG 特征的研究工具。例如，在我们的研究中，令同一被试执行两种思考任务（文字和空间)，辨别两任务相应 EEG 数据的平均准确率可达 87%。