-
近年来,基于大脑认知事件相关电位(event related potential, ERP)的隐藏信息测试方法得到快速发展[1-3],其相关研究主要涉及以下几个方面:首先,要能够成功地诱发出被试者试图隐藏的信息,实验刺激范式的设计特别重要;其次,如何对诱发得到的脑电位信号进行信息解读,也即提取到能够正确表征隐藏信息所诱发脑电信号的特征量;最后,结合不同的应用场合,选择和开发快速、高效和准确的分类识别算法也是非常关键的一个方面。
目前主流的隐藏信息测试范式都是基于图片刺激对被试诱发ERP来完成[1-2],同时文献[3]研究通过听觉刺激范式实现对隐藏信息的测试,发现听觉刺激测量得到的判别准确率低于视觉刺激,整体测试效果视觉刺激范式相对较好。本文设计了视听同步刺激实验范式,并同视觉刺激进行了对比分析,旨在探究视听同步刺激对隐藏信息测试的效果。同时大量相关研究基于单通道或少数通道(Cz, Pz, Fz)信号的时域和频域分析为主[1-2, 4-5],随着近几年脑网络分析方法在大脑认知研究中的广泛发展和成功应用[6-8],本文把该方法应用到基于脑电信号的隐藏信息测试中,将功能网络参数作为特征量,从而从空间域的角度探究在隐藏信息测试过程中大脑功能状态的变化。对不同状态脑网络特征参数进行分类时,考虑到主流分类器如支持向量机和人工神经网络,存在参数选择困难、容易产生区部最优解以及训练速度慢等特点[4-5],本文设计了基于量子神经网络(QNN)的特征分类方法,对视觉刺激和视听同步刺激的ERP脑功能网络特征进行模式分类和对比分析。
本文设计了基于听觉刺激和视听同步刺激的隐藏信息测试实验,使用Neuroscan-32导脑电记录系统完成被试信号的采集,提取出对隐藏信息敏感的P300信号[9],通过计算全脑区各电极导联之间的互信息来构建脑功能连接网络,以功能网络的基本特征参数作为QNN分类器的输入量,完成对试图隐藏信息状态的检测。同时本文证实了脑网络分析方法和QNN分类器在隐藏信息测试中的可行性以及视听同步刺激在隐藏信息测试范式设计中的效果。
HTML
-
量子神经网络将量子计算的方法应用到人工神经网络中,使其具有较小的网络规模和简单的拓扑结构、更好的稳定性和有效性,具有快速学习和高速信息处理能力[16-17]。本文设计了基于量子门节点的神经网络分类器(quantum gated neural network, QGNN),如图 4所示[18-19]。其中,网络输入为$\left| {{x_1}} \right\rangle, \left| {{x_2}} \right\rangle, \cdots, \left| {{x_n}} \right\rangle $,隐层输出为$\left| {{h_1}} \right\rangle, \left| {{h_2}} \right\rangle, \cdots, \left| {{h_p}} \right\rangle $,神经网络输出为$\left| {{y_1}} \right\rangle, \left| {{y_2}} \right\rangle, \cdots, \left| {{y_m}} \right\rangle $。
对于n维样本空间${\boldsymbol{x}^k} = {[x_1^kx_2^k \cdots x_n^k]^{\rm{T}}}$,第k个样本表示为k,有$k = 1, 2, \cdots, K$,K为样本总数,则其对应的量子态表述为:
式中,
令$\left| {R_i^k} \right\rangle = {\rm{cos(}}\rho _i^k{\rm{)}}\left| 0 \right\rangle + \sin (\rho _i^k)\left| 1 \right\rangle $,由量子旋转门和多位受控非门运算可得:
式中,$i = 1, 2, \cdots, n$,$j = 1, 2, \cdots, p$,$l = 1, 2, \cdots, m$,$k = 1, 2, \cdots, K$;样本、隐层、网络输出量子比特对应的概率幅角分别表示为$\rho _i^k$、$\vartheta _j^k$、$\xi _l^k$,则有:
在运算中该层的实际输出一般取各层量子位中状态$\left| 1 \right\rangle $的概率幅值,从而网络层的实际输出为:
将网络的误差定义为:
-
本文计算了所有有效被试在所有刺激类型下的脑网络参数C和L,表 1为所有有效被试对应参数值。考虑到实验设计中靶刺激和无关刺激的作用,定义了隐藏信息特征判别系数为:
状态 特征参数 被试 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 视觉刺激 C P1 0.19 0.19 0.27 0.26 0.23 0.25 0.26 0.23 0.24 0.24 0.22 0.22 0.23 0.26 0.25 0.26 P2 0.24 0.24 0.22 0.29 0.28 0.29 0.20 0.30 0.25 0.31 0.28 0.29 0.25 0.26 0.30 0.30 L P1 5.65 5.29 3.71 3.77 4.31 3.94 3.98 4.35 4.44 4.12 4.56 4.85 4.52 4.14 4.03 3.82 P2 4.00 4.15 4.70 3.44 3.50 3.45 4.99 3.33 4.14 3.09 3.71 3.40 4.41 4.09 3.33 3.30 视听刺激 C P1 0.25 0.21 0.23 0.26 0.22 0.27 0.25 0.19 0.28 0.23 0.24 0.23 0.24 0.23 0.26 0.26 0.25 P2 0.29 0.26 0.27 0.27 0.26 0.28 0.23 0.28 0.27 0.25 0.26 0.27 0.26 0.25 0.28 0.27 0.26 L P1 4.52 4.35 4.35 3.64 4.42 3.91 3.81 5.20 3.46 4.28 4.11 4.16 4.45 4.14 3.44 3.67 3.89 P2 3.53 3.96 3.54 3.57 3.90 3.88 4.08 3.55 3.57 3.82 3.65 3.55 3.67 3.91 3.38 3.61 3.64 分别计算不同刺激范式下对应的${\boldsymbol{C}_{{\rm{index}}}}$和${\boldsymbol{L}_{{\rm{index}}}}$,作为量子门神经网络的输入向量,对视觉刺激和视听同步刺激分开处理。
本文通过最小梯度法构建量子神经网络学习算法,通过训练数据得到分类器最佳参数,然后使用测试数据进行分类测试。通过十则交叉验证,最后得到平均分类准确率分别为:视觉刺激80.25%,视听同步刺激81.69%。可以看到视觉刺激和视听同步刺激诱发脑网络特征参数结合量子神经网络对隐藏信息测试能够得到较高的识别准确率,同时视听同步刺激的分类识别率稍高,主要是因为实验过程中视听同步刺激相对单调的视觉刺激更能引起被试注意力的集中以及对隐藏信息的响应。为了同常用分类器进行对比,用SVM对上述同样的参数进行了分类讨论,得到分类正确率为:视觉刺激82.19%,视听同步刺激84.23%。可以看出,对两种刺激范式,SVM分类器能够得到较高的识别率,而且高于本文中重点讨论的QNN分类器。这主要是由于本文中样本数量偏小,QNN的优势并没有表现出来,同时对量子神经网络分类器的结构也有待优化提升。但是这并不影响将QNN引入到隐藏信息测试中,相信随着对QNN研究的深入,将会有更多更加高效的优质QNN分类器出现。