0 引言

    注意缺陷多動障礙(Attention Deficit Hyperactivity Disorder,，ADHD)為一類常見于兒童期的行為障礙，我國兒童發(fā)病率為3%~10%^[1],。目前,，用藥物治療ADHD仍是醫(yī)生的第一選擇，但長期大劑量用藥會帶來諸如心血管系統(tǒng)損害,、藥物成癮,、厭食等副作用。因此,，尋找一種安全有效,、療效持久的可以輔助或代替藥物治療的新型療法成為了一種趨勢,，腦電生物反饋治療(EEG Biofeedback)便由此應(yīng)運而生。大量臨床實驗證明,，腦電生物反饋治療ADHD 的療效與中樞神經(jīng)興奮劑的療效相當(dāng)^[2],。

    目前，國內(nèi)外有不少學(xué)者從事腦電生物反饋治療的研究,，但首先,，這些研究有很多仍停留在臨床上^[3-4]，且偏向理論算法^[5-7],；其次,，研究采用的專業(yè)儀器大多價格昂貴，難以普及,；最后,，得到的數(shù)據(jù)太過專業(yè)化，一般群眾難以讀懂,，這使得腦電生物反饋治療很難推廣。

    為了更好地推廣腦電生物反饋治療,，本文實現(xiàn)了一個基于Android平臺的注意力監(jiān)測系統(tǒng),。該系統(tǒng)利用腦電采集模塊實現(xiàn)腦電信號的采集和發(fā)送，通過Android平臺的藍(lán)牙接收信號,，經(jīng)過頻譜變換后提取特征值輸入經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò),，得到當(dāng)前注意力狀態(tài)，并實時顯示在屏幕上,。系統(tǒng)整體框架如圖1所示,。

1 腦電采集模塊

    腦電采集模塊主要包含ThinkGear AM芯片、電源,、干電極,、參考電極以及藍(lán)牙從機5個部分。

    ThinkGear AM芯片是由美國Neurosky公司研發(fā)的第一款消費級單通道腦電波采集芯片,。該芯片僅有拇指大小,，最大重量僅為130 mg，并內(nèi)置12位的ADC模數(shù)轉(zhuǎn)換模塊,，可以在1 200,、9 600、57 600波特率下通過UART向外輸出,。

    該芯片運行電壓為2.97～3.63 V,，故可以采用2節(jié)1.5 V的7號電池串聯(lián)作為其電源。

    干電極采用直徑為12 mm,、厚度為2 mm的圓形不銹鋼干電極片,，使用1.2 mm的螺絲固定導(dǎo)線后上錫,，參考電極則采用塑料生理耳夾，耳夾內(nèi)裝有參比電極和接地電極,。使用時,，干電極放置于左前額處，參考電極置于雙耳耳垂處,。

    藍(lán)牙從機模塊采用HC-06藍(lán)牙串口芯片,。該芯片大小與ThinkGear AM芯片相當(dāng)，成本低廉,，功耗低,，且無線收發(fā)靈敏度達(dá)到了-80 dBm，完全符合便攜性的要求,。

2 Android平臺應(yīng)用實現(xiàn)

2.1 藍(lán)牙接收

    該模塊主要功能是接收腦電采集模塊通過藍(lán)牙發(fā)送的腦電信號,。實現(xiàn)過程如下：

    (1)創(chuàng)建BluetoothAdapter對象以及Handler對象。

    (2)通過構(gòu)造函數(shù)TGDevice(BluetoothAdapter,，Handler)創(chuàng)建TGDevice對象,，調(diào)用connect方法啟動藍(lán)牙連接過程，搜索Android設(shè)備中所有配對的藍(lán)牙設(shè)備列表,，并且去嘗試連接第一臺可兼容的ThinkGear設(shè)備,，成功通過藍(lán)牙發(fā)現(xiàn)并連接到ThinkGear硬件設(shè)備后，TGDevice對象會發(fā)送一個STATE_CONNECTED消息給Handler對象,。

    (3)連接成功后調(diào)用start方法,，TGDevice對象便開始將腦電采集模塊采集到的原始腦電信號通過消息形式發(fā)送給Handler對象。

    (4)當(dāng)應(yīng)用程序不再需要從TGDevice接受數(shù)據(jù)時,，通過close方法關(guān)閉連接,。

2.2 頻譜變換

    該模塊主要功能是將時域的腦電信號轉(zhuǎn)換成頻域信號，采用比較主流的快速傅里葉變換(FFT)方法,。

    FFT是離散傅里葉變換(DFT)的一種快速算法,，該算法利用DFT公式中旋轉(zhuǎn)因子的周期性、對稱性和可約性^[8],，采用按時間抽取變換(DIT)等形式把N點的DFT的計算變成一系列迭代運算過程,，簡化運算量，極大地提升了計算效率^[9],。

    本文采用基2時間抽取快速傅里葉(DIT-FFT)算法,，其核心是蝶形運算，對于N=2^M點的FFT,，其蝶形運算公式如下：

式中L為運算級數(shù)(L=1,，2，…，M),；第L級運算共有B=2^L-1個不同指數(shù)的旋轉(zhuǎn)因子,，用R表示這些不同指數(shù)旋轉(zhuǎn)因子從上到下的順序(R=0，1,，…,，B-1)，則第R個旋轉(zhuǎn)因子的指數(shù)P=2^M-LR,。

    旋轉(zhuǎn)因子指數(shù)為P的第一個蝶的第一節(jié)點標(biāo)號k從R開始,，相鄰間距為2^L，各蝶的第二個節(jié)點與第一個節(jié)點都相距B點,。

    該模塊程序流程圖如圖2所示,。

2.3 BP神經(jīng)網(wǎng)絡(luò)

2.3.1 特征提取

    腦電信號中包含了大量的特征信息，為心理研究,、臨床腦疾病診斷等領(lǐng)域提供了重要依據(jù),。按照頻率與幅度特性，一般可以將其劃分為δ波,、θ波,、α波、β波等^[10],。每種節(jié)律都對應(yīng)大腦不同的狀態(tài),。

    以往研究中，對于注意力水平的評價主要借助于EEG時域信號中的模糊熵^[11],、樣本熵^[12]、多尺度熵[13]等時域信號復(fù)雜度值,，或者是EEG頻譜信號中的θ波與β波的相對比值^[14],。通過單一參數(shù)的單一閾值來對注意力水平進行評價，簡單易行,，但是在實用中卻常常出現(xiàn)參數(shù)不能及時反映被試真實狀態(tài)的情況,。這主要是由于腦電信號是生命體產(chǎn)生的復(fù)雜非線性信號，各個節(jié)律與大腦狀態(tài)的對應(yīng)區(qū)分得并不絕對,，而是存在著復(fù)雜的非線性關(guān)聯(lián),，因此，本文擬采取多特征參數(shù)的非線性分析方法,，構(gòu)造以下5個特征值,，分別為δ波、θ波,、α波,、β波能量占腦電信號總能量的百分比以及θ波能量與β波能量的比值，較為全面地代表了注意水平相關(guān)的腦電成分在頻域上的分布特征。

2.3.2 BP網(wǎng)絡(luò)訓(xùn)練

    為了獲得注意力集中和注意力非集中時的穩(wěn)定樣本數(shù)據(jù),，本文設(shè)計了如下實驗：

    注意任務(wù)：被試坐在電腦屏幕前,，參與完成Neurosky公司的速算挑戰(zhàn)游戲，屏幕呈現(xiàn)比較復(fù)雜的加減乘除運算題目（難度4）,，被試心算結(jié)果并提交,。運算題目較為復(fù)雜，被試一般要仔細(xì)考慮才能計算出結(jié)果,，且要求答題中盡量保證計算正確,，一共進行40 s左右測試，從被試進行計算后10 s再開始采集被試腦電信號,。

    非注意任務(wù)：被試坐在電腦屏幕前,，電腦屏幕呈現(xiàn)速算挑戰(zhàn)開始界面，以保持屏幕色調(diào)與注意任務(wù)相近,，被試觀望屏幕,，但要求盡量處于自然松弛狀態(tài)。一共進行40 s左右測試,，從被試進行測試后10 s再開始采集被試腦電信號,。

    整個實驗過程保證被試不受外界干擾。12名健康被試年齡在20～22歲之間,，均在頭腦清醒的情況下接受測試,。實驗數(shù)據(jù)采用Neurosky公司的MindRec軟件進行記錄。12位被試分別采集30 s數(shù)據(jù),，從每份中隨機截取10段2 s長的數(shù)據(jù)(即1 024個數(shù)據(jù)),，得到12(被試)×10(截取數(shù)據(jù))×2(2個狀態(tài))共240個樣本數(shù)據(jù)。

    將其中的200個樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),，40個樣本數(shù)據(jù)作為測試數(shù)據(jù),，通過MATLAB進行仿真。

    設(shè)定BP網(wǎng)絡(luò)層數(shù)為3,，輸入神經(jīng)元個數(shù)為5,，輸出神經(jīng)元個數(shù)為1(注意狀態(tài)的輸出期望值為1、非注意狀態(tài)為0),，隱層神經(jīng)元個數(shù)為8,，激勵函數(shù)為logsig函數(shù)，初始學(xué)習(xí)步長定為0.05,，目標(biāo)均方誤差設(shè)為0.001,，迭代次數(shù)設(shè)為2 500次，采用traingdx(變步長)算法,，訓(xùn)練后得到的最高識別準(zhǔn)確率達(dá)到了77.5%,。

    最后,，利用net.b{1}、net.iw{1,，1}等指令,，得到訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣和閾值矩陣。

2.3.3 BP網(wǎng)絡(luò)的Android實現(xiàn)

    BP網(wǎng)絡(luò)的輸出結(jié)果y與輸入特征向量x的對應(yīng)關(guān)系如下：

其中w₁,、w₂分別為隱層,、輸出層權(quán)值矩陣，θ₁,、θ₂分別為隱層,、輸出層閾值矩陣，u₁,、u₂為中間量,，y₁為隱層輸出。

    利用二維數(shù)組可以很簡單地實現(xiàn)Android平臺上的矩陣運算,。BP神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是一個范圍為0～1的值,，該值越接近0，則代表被試當(dāng)前注意力越不集中,，反之則代表注意力集中,。將其乘以100并取整，即可得到一個百分制的注意力值,，可以非常直觀地表達(dá)被試當(dāng)前的注意力狀態(tài),。

2.4 實時顯示

    實時顯示模塊主要依靠Android平臺提供的SurfaceView組件、TextView組件以及上文創(chuàng)建的Handler對象來對主線程的UI進行更新,，達(dá)到實時顯示的效果,。實現(xiàn)流程如下：

    (1)通過TextView的setText方法將文字顯示在屏幕相應(yīng)位置，該方法會直接將原先顯示的文字抹除,，以達(dá)到實時顯示的效果,。

    (2)創(chuàng)建Canvas對象，Surface中的Canvas成員是專供程序員畫圖的場所,，并通過getHolder方法實現(xiàn)SurfaceHolder接口，用于操縱Surface和處理Canvas上畫圖效果和動畫,，控制表面,、大小、像素等,。

    (3)通過lockCanvas方法將畫布鎖定以獲得當(dāng)前畫布對象,，先通過drawColor方法將當(dāng)前畫布顏色置為黑色以清除之前的作圖，再通過drawLine方法在畫布上將當(dāng)前時域,、頻域圖像依次畫出,。

    (4)通過unlockCanvasAndPost方法解鎖畫布以提交畫好的圖像。

3 結(jié)論

    本文給出了基于Android平臺的注意力監(jiān)測系統(tǒng)的具體實現(xiàn)方案，依托ThinkGear AM腦電采集模塊采集原始腦電信號,，通過藍(lán)牙傳輸?shù)紸ndroid終端,，進行頻譜變換后，輸入事先訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò),，得到一個百分制的注意力值,，可以非常直觀地表達(dá)被試當(dāng)前的注意力狀態(tài)。整套系統(tǒng)簡單便攜,，成本低廉,，對于腦電生物反饋治療的推廣有一定的意義。

    但本系統(tǒng)仍存在幾點不足：(1)BP網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)較少,，使得得到的BP網(wǎng)絡(luò)泛化能力較差,；(2)應(yīng)用軟件可擴展性、可維護性較差,。

    近年來興起的深度神經(jīng)網(wǎng)絡(luò)也許可以提供較好的解決方案,，這種神經(jīng)網(wǎng)絡(luò)可以通過手機網(wǎng)絡(luò)采集用戶使用時產(chǎn)生的大量無標(biāo)簽?zāi)X電數(shù)據(jù)對核心神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，提高網(wǎng)絡(luò)泛化性能,，通過軟件版本更新修改用戶軟件網(wǎng)絡(luò)參數(shù),，也許可以使得用戶注意力識別準(zhǔn)確度得到大幅度提升。該方案在Android平臺的表現(xiàn)雖未可知,，但不失為今后的改進方向之一,。

參考文獻

[1] VOLKMAR F R.Changing perspectives on ADHD[J].American Journal of Psychiatry，2003,，160(6)：1025-1027.

[2] PATRICK N,，F(xiàn)RIEL B S.EEG biofeedback in the treatment of attention deficit hyperactivity disorder[J].Alternative Medicine Review，2007,，12(2)：146-151.

[3] HEINRICH H,，BUSCH K,，STUDER P，et al.EEG spectral analysis of attention in ADHD: implications for neurofeedback training[J].Frontiers in Human Neuroscience，2014(8)：611-621.

[4] TAKAHASHI J,，YASUMURA A，NAKAGAWA E,，et al.Changes in negative and positive EEG shifts during slow cortical potential training in children with attention-deficit/hyperactivity disorder：a preliminary investigation[J].Neuroreport,，2014，25(8)：618-624.

[5] KE Y,，CHEN L,，F(xiàn)U L，et al.Visual attention recognition based on nonlinear dynamical parameters of EEG[J].Biomedical Materials and Engineering,，2014(24)：349-355.

[6] XU L,，LIU J,，XIAO G，et al.Characterization and classification of EEG attention level[J].Journal of Computer Applications,，2012,，32(11)：3268-3270.

[7] 路榮，黃力宇,，晉瑯.小波包分解腦電復(fù)雜性特征提取的注意狀態(tài)實時識別[J].醫(yī)療衛(wèi)生裝備,，2013，34(2)：1-5.

[8] 胡麗瑩,，肖蓬.快速傅里葉變換在頻譜分析中的應(yīng)用[J].福建師范大學(xué)學(xué)報,，2011，27(4)：27-30.

[9] 劉慶杰,，藺啟忠,，王欽軍，等.基于連續(xù)統(tǒng)快速傅里葉變換的紅外光譜處理技術(shù)[J].光譜學(xué)與光譜分析,，2009,，29(12)：3279-3282.

[10] NOACHTAR S，BINNIE C,，EBERSOLE J,，et al.A glossary of terms most commonly used by clinical electroencep-halographers and proposal for the report form for the eeg findings[J].Electroencephalography & Clinical Neurophysiology Supplement，1999(52)：21-40.

[11] 徐魯強,，劉靜霞,，肖光燦，等.腦電注意水平的特征識別[J].計算機應(yīng)用,，2012,，32(11)：3268-3270.

[12] 燕楠，王玨,，魏娜,，等.基于樣本熵的注意力相關(guān)腦電特征信息提取與分類[J].西安交通大學(xué)學(xué)報，2007,，10(41)：1237-1241.

[13] MING D,，ZHANG M，XI Y,，et al.Computational intelligence for measurement systems and applications[C].2009.Piscataway：IEEE Press,，2009.

[14] LUTSYUK N V，?魪ISMONT E V,，PAVLENKO V B.Modulation of attention in healthy children using a course of EEG-feedback sessions[J].Neurophysiology，2006,，38(5-6)：389-395．