最近的技术进步使低成本和高度便携的大脑传感器得以发展,如内置预放大电路的干电极,可以在实验室之外测量认知活动。这项技术为在复杂的现实生活情况下(如操作飞机)监测“大脑工作”开辟了前景广阔的前景。然而,有必要在真实的操作条件下对这些传感器进行基准测试。
因此,我们设计了一个场景,在这个场景中,22名配备六干电极脑电图系统的飞行员必须执行一个低负载和一个高负载的交通模式,伴随着一个被动的听觉新异刺激(Oddball)。在低负荷条件下,参与者是在监视由飞行教练操纵的飞行,而高负荷条件下则是他们在驾驶飞机。
在整体层面上,统计分析显示,与高负载相比,在低负载条件下更高的P300振幅(Pz, P4和Oz电极)伴随较高的Alpha波段功率(Pz电极)和更高的θ波段功率(Oz电极)。同时使用事件相关电位(Event-Related Potentials)和事件相关频率特征(Event-Related Frequency Features)的单次试验分类准确率均未超过机会水平以区分两种负载状态。然而,当只考虑对连续信号计算的频率特征时,分类准确率平均达到70%左右。这项研究展示了干式EEG在高度生态和噪声环境下监测认知的潜力。
由g.tec公司研发的g.Nautilus系列无线干-湿通用型生物电信号采集系统
g.tec公司研发的全球首款干-湿通用型主动电极系统(内部预置放大电路)
材料与方法
参与者
22名目视飞行规则(Visual Flight Rules,VFR)飞行员(3名女性;平均年龄:25.4岁;平均飞行小时数:40)完成实验。飞行员的视力和听力正常,或已被矫正至正常。飞行员被要求在测试前24小时不要服用任何咖啡因或药物。由于数据同步问题,来自四个参与者的数据被拒绝。每一飞行员的测试总时长约为一小时。该实验得到了欧洲航空安全局的批(EASA60049235)。这些方法按照批准的指导方针进行,并得到参与者的书面同意。
飞机选取
这项研究是使用ISAE-SUPAERO(Institut Supérieur de l’Aéronautique et de l’Espace — French Aeronautical University in Toulouse, France)试验轻型飞机进行的(图 1)。DR400轻型飞机由一台180马力莱康明发动机提供动力,并配备了经典仪表、无线电和无线电导航设备,以及执行器,如方向舵、操纵杆、推力和开关来控制飞行。
图 1. Left—ISAE-SUPAERO DR400 aircraft at Lasbordes airfifield. Right—Experimental scenario: the pilots had to perform two traffific patterns (low and high load) along with an auditory oddball task.
飞行场景
该方案包括拉斯博德机场的两个连续交通模式(two consecutive traffific patterns)。按照目视飞行规则(VFR)的标准,将每种交通模式分为迎风起飞段、侧风起飞段、顺风起飞段、基础起飞段和最终降落段五个飞行阶段(见图1)。在第一种交通模式中,定义为低负荷状态,参与者(左座)正在监控由飞行教官(右座)控制的飞行。在第二种交通模式中,定义为高负荷状态,参与者实际上在驾驶飞机,并由飞行指导员监督。每个交通模式持续时间约为500 s,从起飞到停车的总实验时间约为20 min。除了飞行任务(即监视和飞行),参与者被要求在320个听觉刺激下执行一个oddball范式:25%为靶音(1100 Hz, 90dB SPL下标准化纯音80个),75%为非靶音(240标准化纯音,1000 Hz, 90dB SPL)。赏试时距(Inter-trial interval)设置为2000 ms,其中包含1000-ms的时基误差(jitter)。通过实验计算机的辅助输入,将音频刺激提供给飞行员的航空耳机(Clarity AloftPro)。在驾驶舱内,用声级计测量了刺激物和背景环境噪声的声音强度。在之前的实验(2018,Callan, D.E.等人)中,声音的呈现速度为85 dBA。在无线电通信期间,刺激的声音减弱了,但仍然完全可以听到。据报道,我们使用的Clarity Aloft耳机的实耳测试衰减特性为29 dB。发动机启动时,信号噪声比约为35 dB。实验人员是后座的,他的角色是放置脑电图帽并触发这个oddball任务。进行了四个试点的初步实验,对实验场景进行了预测试。NASA-TLX评分证实,这两种情况引发了两种不同水平的心理负荷(高负荷情况= 6.7,SD = 0.45;低负荷情况2.56,SD = 0.75)。
EEG信号的采集与分析
EEG信号采集使用6个干电极在500 Hz的频率下记录脑电图数据,并按照国际10-20排布系统进行安装(Fz, Cz, Pz, Oz, P3 与P4)。在实验开始前,每个受试者的偏移水平都被仔细检查,调整到设备允许范围内。在实验开始前,参与者坐在飞机上,并在地面上(未启动)记录30秒的经过处理的清晰信号。之后信号被放入处理软件中处理。在时域分析中,对连续的脑电图数据进行0.5 ~ 30 Hz的滤波。通过MATLAB中编译的算法程序,对信号进行滤波处理。
从刺激发生前0.2 s和刺激发生后1 s的连续数据中提取异常和标准刺激的时间点。用于ERP分析的试验采用刺激开始前200 - 0ms的数据进行基线标准化。
在频域分析中,对连续脑电图数据进行高频滤波(0.5 Hz),去除数据中的噪声部分。利用Matlab函数“cwt”提取频率特征,通过计算Morlet小波变换提取delta[1-4]、theta[4-8]、alpha[8-12]和beta[12-16]波段(Hz)的频谱功率。
EEG数据分析。ERPs的统计分析采用3路重复测量方差分析(ANOVA)进行,包括负载(Low, High)、声音类型(frequency, Target)和电极(Fz, Cz,Pz、P3、P4、Oz)为受试者内因子。对频带(delta, theta, alpha和beta)和电极的频带功率进行了双向重复测量方差分析(Fz, Cz, Pz, P3, P4, Oz)为受试者内因子。
关于基于频率的特征,我们计算了每次试验在不同频带(delta [1 4] Hz, theta [4 8] Hz, alpha [8 12] Hz, low beta [12 16] Hz)中的频率功率。了计算这些频率功率特征,首先对脑电信号的各个波段进行滤波。每个波段的脑电信号采用两对空间滤波器(CSP)进行滤波。在这里,使用了具有自动协方差矩阵收缩的正则化CSP。然后对得到的频谱和空间滤波信号进行平方,在历元期间平均,并对进行对数变换,得到16个频率功率特征(4个CSP滤波器× 4个频带)。因此,对于同步通道,为了匹配基于ERP的特征,在0到+0.6 s的时间窗口内对信号功率进行平均,而对于非同步通道,则在每个2 s长的时间段内对信号功率进行平均。
结果
ERP
结果表明负载条件×声音类型×电极间存在显著的交互作用(p < 0.01)。这是由于与Pz、P4和Oz电极在高负载条件下相比,在低负载下目标声音的P300振幅更高(p < 0.001)。如下图所示。
Grand averaged waveforms of the ERPs for parietal electrodes with standard error (shapes).
频率分析
结果表明负载条件×电极之间存在显著交互作用,低负载条件下Pz电极上的α [9-12] Hz功率谱密度高于高负载条件下的α [9-12] Hz功率谱密度,Oz电极上的low-theta [4-6] Hz功率谱密度高于高负载条件下(p < 0.01)。
Single-trial classification results with the two pipelines for the 18 participants.
仅用于学术交流,若有侵权,请留言,管理员即时删侵!