《Displays》：Study of background complexity based on composite multiscale entropy of EEG signals
编辑推荐：
伪装背景复杂度对脑电信号多尺度熵的影响研究。通过35名军事院校学生观看不同植被覆盖率（10%-90%）和分布模式（集中/分散）的背景图像，采集EEG信号并计算复合多尺度熵（CMSE）。结果显示O1和Oz通道CMSE在70%植被覆盖率时达到饱和，O2通道在50%后增速减缓，分散植被模式熵值更高。这为伪装目标选址提供了神经科学依据，建议选择70%植被覆盖且分布分散的场景。
周宇|李雪|徐卫东|潘志松|齐佳|刘亚文|李玲|杨欣|郝本天
中国人民解放军陆军工程大学，江苏省南京市210007
摘要
目标配置点处背景的复杂性显著影响伪装效果。本研究提出了一种基于脑电图（EEG）信号的复合多尺度熵（CMSE）来表征背景复杂性的方法。实验中使用了不同植被覆盖程度（10%、30%、50%、70%和90%）以及两种植被分布模式（集中型和分散型）的背景图像作为视觉刺激。共有35名参与者参与了实验，他们在观看这些图像时进行了EEG信号记录。从收集的EEG数据中计算出了CMSE值。统计分析表明，当植被覆盖率达到70%时，O1和Oz通道的CMSE值趋于饱和，而O2通道的CMSE值在覆盖率超过50%后增长速度明显放缓。分散型植被模式的熵值高于集中型模式。研究结果表明，在当前实验条件下，目标配置点处的植被覆盖率约为70%时更有利于伪装。在资源有限的情况下，建议选择植被覆盖率超过50%的背景。此外，分散型植被能够增加视觉混淆程度，从而提高伪装效果。这些结果为选择合适的伪装背景提供了有用的指导，尽管其在其他环境中的应用仍需进一步研究。
引言
目标的背景是指与目标同时进入侦察视野的场景，其复杂性显著影响目标的探测能力。研究表明，复杂度较高的背景可以弥补目标本身伪装不足的缺陷，因为复杂的背景会增加视觉干扰和观察者的信息处理负担，使目标搜索任务更加困难[1,2]。
复杂性是一个多维概念，涉及背景中元素的形状、颜色、大小、空间分布和光照等因素。这一概念已在多个学科中进行研究，基础研究可追溯到上个世纪[3]。在伪装效果评估的背景下，背景复杂性不仅是场景的客观物理属性，也是影响观察者在视觉搜索过程中认知和神经负荷的关键因素。鉴于其物理和认知双重属性，从神经活动角度理解背景复杂性具有重要意义。因此，本研究利用EEG记录了在不同背景复杂性条件下由视觉刺激引发的神经活动，以此作为表征和评估背景复杂性的基础。
高复杂性的背景通常包含更多信息，为观察者提供更丰富的视觉和认知刺激，从而导致大脑处理更加混乱和EEG信号复杂性增加。为了量化这种复杂性，引入了非线性动态方法。常用的方法包括样本熵（SpEn）、多尺度熵（MSE）、李雅普诺夫指数（Lya）和莱姆佩尔-齐夫复杂性（LZC）等。这些方法已成功应用于病理状态识别、认知负荷评估和动态任务环境中的神经活动分析[[4], [5], [6], [7]]。近年来，出现了新的类熵方法，如评分熵（RaE）和多变量复用RaE（MmRaE），它们通过考虑模式顺序和多通道信息来增强量化EEG复杂性的能力[8]。基于熵的方法也扩展到了神经人体工程学和认知研究领域，证明了熵指数在分析复杂神经活动和认知状态方面的有效性[[9], [10], [11]]。这些研究共同为理解EEG信号的复杂性提供了重要的方法论和理论支持，并从神经认知角度实现了背景复杂性的量化。在此基础上，本研究采用复合多尺度熵（CMSE）作为主要分析工具，因为它在保持对粗粒度过程中不同尺度因素敏感性的同时，有效提高了熵估计的稳定性。CMSE已广泛应用于心理负荷评估和一般认知状态监测[12,13]。
与以往关注神经活动内在动态的研究不同，本研究旨在通过神经反应来表征外部环境的复杂性，特别强调了视觉背景复杂性在伪装场景中的作用，代表了伪装研究中的一个新尝试。实验中使用了不同复杂度的背景图像来诱发EEG信号，并使用CMSE测量了EEG信号的复杂性。本研究旨在通过将背景复杂性与神经层面的复杂性变化联系起来，提出新的度量和研究视角，从而为合理选择伪装目标配置点提供方法论支持。
实验部分
参与者
共有35名大学生（17名男生和18名女生）参与了实验。所有参与者均为右撇子，年龄为23.69±1.84岁（范围：21–28岁），视力正常或经过矫正至正常水平。他们接受了基本的军事教育和训练，能够理解实验任务并有效合作。详细的信息见补充材料表S1。在实验前所有参与者均签署了书面知情同意书。
不同植被覆盖度下大脑区域的EEG CMSE反应
30个电极通道根据其解剖位置分为四组：额叶（F3、F7、Fz、F4、F8、FC3、FCz、FC4、Fp1、Fp2）、顶叶（C3、Cz、C4、P3、Pz、P4、CP3、CPz、CP4）、颞叶（T3、T4、T5、T6、FT7、FT8、TP7、TP8）和枕叶（O1、Oz、O2）。对于每个区域，根据所有对应通道的平均EEG信号计算了CMSE曲线。结果见图6和图7。
如图6所示，CMSE随……
讨论
CMSE可以量化大脑信息处理过程中的认知活动复杂性，反映EEG信号的复杂性[25]。计算30个通道EEG信号的CMSE是一项耗时的任务。为了提高计算效率，首先将30个通道分为四个脑区，然后计算每个脑区内每个通道的平均EEG信号的CMSE。研究发现……
结论
EEG信号的CMSE分析表明，当植被覆盖率达到一定程度时，大脑负荷会趋于饱和。O1和Oz通道的熵值在覆盖率为70%左右时达到峰值，而O2通道的熵值在覆盖率超过50%后增长缓慢。分散型植被分布在中频和β频段产生的熵值高于集中型分布。因此，在特定条件下，约70%的植被覆盖率可能提供相对有效的伪装效果。
局限性
本研究保持了大致平衡的性别比例，以减少性别对EEG测量结果的潜在影响。先前的研究表明，性别可能会影响视觉处理和认知负荷，这是未来研究的一个独立方向。实验结果是在特定北方森林区域在受控条件下获得的，因此关于植被覆盖率和分布的结论可能不适用于其他环境、地形或季节。未来的研究需要进一步验证这些结论。
伦理审批和参与同意
本研究获得了中国人民解放军陆军工程大学人类研究伦理委员会的批准。
出版同意
所有参与研究的参与者均已签署书面知情同意书，同意发表本文。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。
致谢
本研究得到了国家重点国防科技实验室基金（项目编号61422062405）和军事科学研究项目基金（项目编号KYGYJKQTZQ23007）的资助。
