認知神經科學領域腦電復雜性測度方法的新進展

　　從Berger(1929)發現腦電(electroencephalogram,EEG)開始[1]，腦電信號中有效信息的提取一直是困擾研究者的難題。傳統方法主要有腦電地形圖(EEG  mapping)和譜分析(spectral  analysis)兩類。腦電地形圖只能粗略地描述人在認知加工過程中各腦區的激活程度。在腦電頻域和時域特征(frequency  and  time  domain  features)分析中，數字信號的線性處理方法已得到廣泛應用，如事件相關電位(event-related  potential,ERP)。然而實際記錄的腦波很難滿足線性分析方法的要求（如低信噪化、腦電信號平穩等）[2]，且認知神經科學通常采用的平均疊加法會導致有用信息的大量損失，因此線性分析方法在很大程度上限制了認知電位時空模式研究的發展。

　　大量研究表明人腦是一個結構和功能高度復雜的系統，而腦電信號是神經細胞生物電活動在時間和空間上的非線性耦合[3]。從80年代中期開始，許多研究者用非線性混沌動力學理論發展了一些腦電信號復雜性測度的算法[4]，如分型維數(fractal  dimension)和Lyapunov指數(L-exponential)等[5]。由于這些方法無需作鎖時(time-locked)和鎖相(phaselocked)處理，在早期的研究中得到了廣泛的應用。然而這些方法要求的數據量較大、對取樣信號的平穩度要求較高[5]，再者混沌動力學中討論的對象是混沌吸引子，并且不同的研究者在相似的實驗條件下所得到的結果變異較大，腦電信號是否具有低維混沌特性從而受到了質疑[6]，因此上述方法可能并不適合于人腦這種各向異性的空間擴展系統。

　　隨著非線性理論的發展，腦電復雜性測度分析方法進一步得到完善。目前常用的腦電復雜性測度算法主要有K[,c]復雜度（包括K[,c]復雜度及其各種改進算法和信息傳輸矩陣(Information  Transmission  Matrix,ITM)和近似熵(Approximate  Entropy,ApEn)。它們對腦電信號的取樣量及其平穩度的要求較低，且無需考慮其是否具有低維混沌特性，從而成為刻畫腦電信號非線性變化特征的有效手段[2]。本文就上述方法、特點及其應用作一簡要介紹。

　　　　2　基于K[,c]復雜度的分析方法

　　Kolmogorov(1965)提出用產生給定0、1序列最少的計算機程序的比特數作為序列的復雜性度量，這種刻畫序列復雜性的方法稱為算法復雜性(Algorithm  complexity)[2]。Lempel和Ziv以復制和添加兩個簡單操作為核心，對序列的復雜性作了進一步描述。他們定義的復雜性是一個時間序列隨其長度的增長出現新模式的速率，表現了序列接近隨機的程度，能反映一個動力學系統的動態特征[7]。在此基礎上Kaspar和Schuster發展了隨機序列復雜性測度的算法[8]，Wu等人(1991)則首先將這種算法引入腦電信號的分析中，作為反映大腦信息加工活動的有序程度的指標[9]。

　　　　2.1　K[,c]復雜度

　　k[,c]復雜度的計算步驟如下：

　　(1)粗粒化預處理(coarse  graining  preprocessing)。對于一給定序列X=(X[,1],X[,2],…,X[,n])，首先求得這個序列的平均值，再重構該序列

[1] [2] [3] [4] [5] 

【認知神經科學領域腦電復雜性測度方法的新進展】相關文章：

認知神經科學領域腦電復雜性測度方法的新進展05-02

認知神經科學對智力的研究新進展04-28

群落結構復雜性的測度方法研究進展05-02

發展的認知神經科學--神經科學與認知發展研究的融合點05-01

腦與認知科學基礎教學研究04-28

電 腦 迷05-01

電 腦 迷作文04-30

區域差異測度方法與評價04-28

復雜性、復雜系統與復雜性科學04-26

認知的行為研究與腦研究淺析05-02