王 勇 梁振虎 夏小雨 白 洋 楊 藝 劉養(yǎng)鳳 何江弘 李小俚

1(燕山大學電氣工程學院，智能康復及神經(jīng)調(diào)控河北省重點實驗室, 河北 秦皇島 066004)2(中國人民解放軍總醫(yī)院第七醫(yī)學中心神經(jīng)外科, 北京 100700)3(杭州師范大學醫(yī)學院基礎醫(yī)學系, 杭州 311121)4(中國人民解放軍空軍第九八六醫(yī)院神經(jīng)內(nèi)科, 西安 710000)5(北京師范大學認知神經(jīng)科學與學習國家重點實驗室, 北京 100875)

引言

2005年，美國Science雜志發(fā)表文章，將意識研究列為本世紀最具挑戰(zhàn)的科學問題之一。意識是什么，如何產(chǎn)生又如何消失，始終是人類探索的難題?？茖W家將意識定義為個體對自我以及環(huán)境的認識和客觀評價，并從兩個維度表征意識，即覺醒和覺知[1]。意識產(chǎn)生機制理論主要為Tononi和Dehaene提出信息集成理論和全局工作理論?；谝陨侠碚?，人們從生理(睡眠)、藥理(麻醉)和病理(癲癇和意識障礙)3個角度研究意識問題。意識障礙的研究為人們理解意識降低甚至消失提供了思路，研究皮層電活動、代謝活動和腦血流解釋意識喪失和腦活動降低的關(guān)系，研究皮層-皮層下腦組織-丘腦回路解釋意識喪失機制。根據(jù)意識保留程度，意識障礙分為植物狀態(tài)(vegetable state, VS)和微意識狀態(tài)(minimally consciousness state, MCS)。其中，VS患者大部分恢復睡眠覺醒周期，但是意識水平幾乎為零。MCS患者不僅存在睡眠覺醒周期，而且意識水平高于VS患者[2]。準確區(qū)分VS和MCS患者是臨床面臨的重要問題，不僅影響制定治療方案，而且影響患者的最終康復結(jié)果。臨床行為評估是目前臨床意識診斷的 “金標準”，昏迷恢復量表修訂版(Coma Recovery Scale-Revised,CRS-R)是意識障礙領域常用的行為量表[3-4]。CRS-R從聽覺、運動、口部運動、交流和覺醒方面等23項行為評估患者的意識水平行為，其中11項與MCS有關(guān)，若患者具備其中一項行為則可判定為MCS。通常，VS患者的CRS-R評分在0～7之間，MCS的評分至少為8分。CRS-R量表是一種刺激-反饋式的評估方法，常受限于測試人員的臨床經(jīng)驗和患者的主觀配合程度，鑒于患者狀態(tài)的波動性，多次行為評估保證得到客觀準確的結(jié)果。近些年，腦成像技術(shù)可以直接評估腦功能，從而準確診斷意識水平，為意識研究和臨床實踐提供了強有力的支持，比如腦電(electroencephalogram, EEG)、功能核磁共振(functional magnetic resonance imaging, fMRI)、近紅外光譜(near infrared spectroscopy, NIRS)[5-7]。EEG得益于其便攜性、高時間分辨率、高兼容性以及易操作性，在意識研究和臨床實踐中受到青睞?；跁r頻域提取EEG特征，已經(jīng)用于表征大腦的不同意識狀態(tài)。腦電雙頻指數(shù)監(jiān)控(bispectral index, BIS) 能夠量化麻醉中的意識水平，然而其相關(guān)的算法細節(jié)并沒有公開[8]，影響了該項技術(shù)在臨床的改進與使用。探索其他EEG特征，不僅可從不同角度解讀意識障礙的腦狀態(tài)，而且有利于拓展EEG在臨床意識診斷的應用。已有研究比較了排序熵和BIS檢測麻醉深度的能力，認為排序熵能夠穩(wěn)定量化麻醉中的意識水平，并建議基于排序熵開發(fā)麻醉監(jiān)控儀器[9]。Denis 等報道了基于EEG特征的意識分類模型，其中選取了功率譜、信息熵、腦連接和誘發(fā)電位作為訓練特征。研究證實了EEG可以作為可靠、經(jīng)濟的意識輔助診斷工具[10]，討論了EEG設備通道數(shù)對意識診斷精度的影響，沒有報道特定腦區(qū)單通道EEG的相關(guān)結(jié)果。單通道EEG不僅極大提高了臨床應用的便攜性，而且有利于驗證意識產(chǎn)生緊密相關(guān)的局部腦區(qū)。

因此，本研究利用BIS獲取靜息態(tài)EEG數(shù)據(jù)，通過提取EEG復雜度特征和不同頻段腦節(jié)律特征，描述意識障礙的腦活動，比較MCS和VS組間EEG特征的統(tǒng)計學差異；利用皮爾斯相關(guān)系數(shù)，建立臨床評分和EEG特征的量化關(guān)系，選取意識顯著相關(guān)的EEG特征，并構(gòu)建基于決策樹的意識分類模型，驗證模型的意識診斷能力。本研究旨在探索穩(wěn)定表征意識水平的EEG指標，并發(fā)掘在臨床意識障礙輔助診斷的潛力。

1 數(shù)據(jù)采集

本研究入組50名患者(25名VS，25名MCS；男34名，女16名；年齡20～60歲)，具體患者信息如表1所示。

表1 患者信息Tab.1 Patient information

患者均病情穩(wěn)定，前額葉保存完好，無金屬植入物，無癲癇史，近期沒有使用鎮(zhèn)靜藥類藥物。一名經(jīng)驗豐富的臨床醫(yī)生根據(jù)CRS-R表征通過多次評估得出患者意識狀態(tài)，本研究數(shù)據(jù)采集的相關(guān)事宜均告知患者家屬并簽署知情同意書，本研究得到中國人民解放軍第七醫(yī)學中心倫理委員會的支持。

本研究使用美國Covidien公司的VISTA型號BIS儀器，由BIS檢測器、BISX放大器和BIS傳感器組成。BIS傳感器為一次性材料，包括4個銀-氯化銀電極，周圍附著凝膠能夠粘連在被試皮膚上。采集前用酒精擦洗患者額葉，待皮膚干燥后貼上BIS電極片，其中1號和3號電極分別貼于前額中線和太陽穴位置，按壓電極保證接觸良好，整個采集過程阻抗低于5 kΩ。采集開始后，BIS儀器獲取前額葉的腦電數(shù)據(jù)并處理，采樣率為128 Hz，每5 s的EEG數(shù)據(jù)得到一個BIS值(范圍0～100)。在采集過程中，信號質(zhì)量指數(shù)(signal quality index, SQI)高于50%才能得到BIS值。本研究收集患者30 min的BIS數(shù)據(jù)，且保證信號質(zhì)量指數(shù)高于80%。

2 計算方法

提取原始EEG數(shù)據(jù)進行預處理：首先，目視去除存在大偽跡的數(shù)據(jù)段，帶通濾波設置為1～45 Hz，兩通道EEG數(shù)據(jù)平均；其次，數(shù)據(jù)分段處理，每段10 s，50%的交疊率，再次，計算每個數(shù)據(jù)段相對功率、排序熵、近似熵和排序Lempel-Ziv 復雜度；最后，計算平均值作為患者EEG特征值。

2.1 相對功率

將腦電信號數(shù)據(jù)段進行Welch功率譜估計，然后疊加平均所有數(shù)據(jù)段的功率譜，計算5個頻段delta (1～4 Hz)、theta (4～8 Hz)、alpha (8～13 Hz)、beta (13～30 Hz)、gamma (30～45 Hz)的總功率，最后將各個頻段與總頻段的比值作為該頻段的相對功率，計算公式如下：

(1)

式中，power(f1,f2)表示頻率f1和f2間的總能量，power(1,45)表示1～45 Hz的總能量。

2.2 排序熵

排序熵(permutation entropy, PE)用于描述時間序列的規(guī)律性，從而表征其復雜度[11]。排序熵描述的腦電復雜度與意識水平高度相關(guān)，即清醒狀態(tài)下腦活動的排序熵較高，而意識水平降低會引起腦活動排序熵值減小。排序熵算法結(jié)合符號動力學和信息熵，首先對時間序列信號進行符號化處理得到符號序列，每個符號表示時間序列的排序關(guān)系，然后根據(jù)符號概率計算信息熵。其中，信號符號化需要進行相空間重構(gòu)，嵌入維度m和時間延遲t是相空間重構(gòu)的重要參數(shù)。根據(jù)Bandt提供的參考公式，m!?Tf，T為數(shù)據(jù)短長度，f為采樣頻率[11]。同時，參考現(xiàn)有的研究結(jié)果，本研究m取6，t取1[12]。計算公式如下：

(2)

式中，pj表示排列方式j的概率。

2.3 近似熵

Pincus基于Kolmogorov熵理論提出近似熵(approximate entropy, ApEn)，用于分析有限時間序列的規(guī)律性和不可預測性。首先，將時間序列通過相空間重構(gòu)生成時間向量；然后，計算向量間距離為r的概率；其后，基于概率值計算信息熵。最后，將近似熵定義為兩個不同相空間信息熵的差值，反映時間序列中新信息出現(xiàn)的概率，越復雜的時間序列對應的近似熵越大[13]。近似熵的計算公式如下：

ApEn(M,R)=?m(r)-?m+1(r)

(3)

式中，?m(r)表示EEG數(shù)據(jù)相空間長度為m的信息熵，r表示兩個時間向量的參考距離。

根據(jù)文獻結(jié)果[12]，m取3，r取0.2SD。

2.4 排序Lempel-Ziv 復雜度

Lempel-Ziv 復雜度是由Lempel和Ziv兩位學者最先提出，該算法不僅考慮時間序列出現(xiàn)的新模式，而且計算了其出現(xiàn)的速率。排序Lempel-Ziv 復雜度(permutation Lempel-Ziv complexity, PLZC)是一種結(jié)合排序熵和Lempel-Ziv 復雜度的改進算法，已經(jīng)用于麻醉數(shù)據(jù)分析[13]，計算公式如下：

(4)

2.5 統(tǒng)計分析

采用studentt檢驗，比較兩個平均數(shù)的差異是否顯著，用于小樣本數(shù)據(jù)比較(n<30)。本研究使用雙樣本的t檢驗，比較兩組患者EEG特征差異性。采用皮爾森相關(guān)性分析，計算EEG特征均值和臨床評分的相關(guān)程度，研究EEG特征量化意識水平的能力。

2.6 模型構(gòu)建

決策樹是一種常用的監(jiān)管學習分類方法，特點是符合人的思維習慣，模型更容易理解[14]。決策樹的構(gòu)建通常包括：首先，構(gòu)建根節(jié)點，遞歸地選擇最優(yōu)特征；然后，根據(jù)最優(yōu)特征對訓練數(shù)據(jù)進行分割，得到各個子數(shù)據(jù)集的最好分類；最后，將這些子集分配到頁節(jié)點，形成決策樹。為了防止過度復雜的決策樹使結(jié)果過擬合，對決策樹進行剪枝，近年決策樹已經(jīng)成功應用于臨床醫(yī)學和生物信息學研究[15]。

擬選取單個和多個腦電特征作為樣本輸入?yún)?shù)，選取臨床CRS-R診斷作為樣本實際分類結(jié)果，通過學習腦電特征和臨床分類結(jié)果訓練決策樹模型，最終驗證模型性能。決策樹節(jié)點分裂標準通過基尼指數(shù)確定，最大分裂數(shù)為100。利用5折交叉驗證法計算模型的預測能力，即樣本分為5份，選取其中1份作為驗證集，另外4份作為訓練集。采用混淆矩陣中的3個指標來表示模型性能，分別是：真正性率(true positive rate，TPR)，代表正確識別的正例數(shù)據(jù)在實際正例數(shù)據(jù)中的百分比；準確性(accuracy，ACC)，表示正確分類的比例；假正性率(false positive rate，F(xiàn)PR)，表示錯誤識別的正例數(shù)據(jù)在實際負例數(shù)據(jù)中的百分比。3個指標的計算公式如下：

(5)

(6)

(7)

式中：真陽性(true positive, TP)指分類模型正確分類的正例數(shù)據(jù)，如VS準確的預測為VS；真陰性(true negative, TN)指正確分類的負例數(shù)據(jù)，如MCS正確的識別為MCS；假陽性(false positive, FP)為被錯誤地識別為正例數(shù)據(jù)的負例數(shù)據(jù)，如MCS錯誤地被預測成VS；假陰性(false negative, FN)為被錯誤地識別為負例數(shù)據(jù)的正例數(shù)據(jù)，如VS錯誤地被預測成MCS。

然后，根據(jù)TPR和FPR繪制接受者操作曲線(receiver operating characteristic，ROC)，用于表示分類模型的性能，計算曲線下面積(the area under the curve, AUC)。

3 結(jié)果

圖1展示兩名患者的EEG數(shù)據(jù)。VS患者的EEG幅值幾乎都低于30 μV，BIS值為60左右；時頻分析發(fā)現(xiàn)，該患者的腦電能量主要集中在1～10 Hz。MCS患者EEG活動比較復雜，EEG幅值為100 μV左右，且出現(xiàn)較多的波動；BIS值在80左右，時頻結(jié)果表現(xiàn)出豐富的高頻信息(15～45 Hz)。

圖1 意識障礙患者腦電特征(每列上中下分別為原始EEG、BIS值和時頻譜)。(a)VS患者；(b) MCS患者Fig.1 EEG characteristics of patients with DOC (The upper, middle and lower rows of each column are original EEG, BIS value and time-frequency spectrum,respectively). (a) VS patient; (b) MCS patient

圖2展示MCS和VS組EEG特征。(a)為所有患者BIS值，VS患者BIS值均低于80，MCS患者大多數(shù)高于80；(b)為MCS組和VS組PE平均值和整體范圍，MCS組的平均值明顯高于VS組的值；(c)為兩組患者的PLZC, MCS組的平均值比VS組的值高；(d)表示兩組患者的ApEn平均值差異很??；(e) 兩組患者的功率譜顯示，MCS患者的16～45 Hz能量平均值高于VS組的值。

圖2 意識患者組腦電特征。(a) BIS;(b) PE; (c) PLZC; (d) ApEn; (e) 功率譜Fig.2 EEG characteristics of patients with disorder of consciousness in group. (a) BIS; (b) PE;(c) PLZC;(d) ApEn;(e) Power spectrum

圖3展示兩組患者不同EEG特征組間差異的比較結(jié)果，包括不同EEG特征，不同組的平均值和標準差線。t檢驗結(jié)果顯示，兩組患者的BIS、PE、PLZC 和delta、gamma頻段的相對能量差異顯著，其中BIS、PE、PLZC和gamma相對能量差異統(tǒng)計結(jié)果為P<0.001, delta 相對能量差異性為P<0.05。

圖3 腦電特征組間差異比較(*表示P<0.05,**表示P<0.01)Fig.3 Comparison of EEG characteristics between groups(*presents P<0.05,**presents P<0.01)

圖4展示腦電特征和臨床評分CRS-R的皮爾森相關(guān)性結(jié)果，其中PE與意識水平的相關(guān)性最高(r=0.81)，PLZC(r=0.76), BIS(r=0.63) 和gamma相對能量(r=0.72)與臨床評分的相關(guān)程度依次降低。ApEn和alpha、beta相對能量與臨床評分沒有顯著相關(guān)性。

圖4 腦電特征與CRS-R的相關(guān)性。(a) BIS;(b) PE; (c) PLZC; (d) ApEn; (e) Delta; (f) Theta; (g) Alpha; (h) Beta; (i) GammaFig.4 The relationship between EEG characteristics and CRS-R. (a) BIS;(b) PE; (c) PLZC; (d) ApEn; (e) Delta; (f) Theta; (g) Alpha; (h) Beta; (i) Gamma

基于以上結(jié)果，選取組間顯著差異(P<0.01)的EEG特征(即BIS、PE、PLZC和gamma相對能量的平均值)構(gòu)建機器學習模型。如圖5所示，PE分類性能最高(AUC=0.931)，PE & gamma和PE & PLZC & gamma與BIS的模型性能接近(AUC=0.905)。表2展示不同EEG特征模型的分類準確度，結(jié)果顯示PE訓練得到意識分類模型的準確度最高(ACC=0.92), PE & PLZC & gamma與BIS相等(ACC=0.90)。

圖5 基于EEG特征的決策樹ROC曲線。(a)單一EEG特征；(b)多EEG特征Fig.5 ROC curve of decision tree based on EEG characteristics. (a)Single EEG characteristic; (b) Several EEG characteristics

表2 不同特征模型的分類準確度Tab.2 The classification accuracy of different models

4 討論

本研究通過探索能夠穩(wěn)定表征意識水平的靜息態(tài)腦電特征，發(fā)掘其輔助意識障礙臨床診斷的潛力，結(jié)果顯示PE、PLZC、delta和gamma相對能量在 MCS 和VS存在明顯的組間差異。皮爾森相關(guān)性分析發(fā)現(xiàn)，量化腦電與意識水平存在很高的相關(guān)性，其中PE 與意識水平的相關(guān)性最高(r=0.81)?；陟o息態(tài)EEG特征構(gòu)建的機器學習模型能夠區(qū)分MCS和VS患者，PE構(gòu)建的意識分類模型的性能和準確度(AUC=0.931, ACC=0.92)要優(yōu)于BIS構(gòu)建的分類模型的相應系數(shù)(AUC=0.905, ACC=0.90)。

腦電是神經(jīng)科學研究和臨床工作的重要工具，主要包括兩種形式——靜息態(tài)和誘發(fā)態(tài)[7]。誘發(fā)態(tài)腦電常用于評估特定的神經(jīng)傳導通路以及相關(guān)的神經(jīng)認知功能[16-17]。這種方式需要患者保存相關(guān)的神經(jīng)傳導通路，所以對存在一定程度功能喪失的意識障礙患者可能不適用[18]。靜息態(tài)腦電操作簡單，分析方法豐富，更適合用于意識障礙的診斷評估，因此選取準確穩(wěn)定描述大腦狀態(tài)的EEG特征是意識科學研究的重點。

頻段能量研究的結(jié)果發(fā)現(xiàn)，VS組的delta頻段能量較高，而MCS組的beta、gamma頻段能量較高。該結(jié)果驗證了已有的研究發(fā)現(xiàn)，即MCS具有復雜的高頻腦節(jié)律活動，而VS的腦活動以delta頻段為主[19]。研究發(fā)現(xiàn)，個體意識水平降低后，大腦表現(xiàn)出更多的低頻振蕩，比如深度睡眠和深度麻醉[20-21]。類似地，嚴重腦損傷后VS的腦代謝活動降低，同時出現(xiàn)低頻震蕩為主的背景活動[22]，甚至出現(xiàn)腦電“靜默”。MCS患者不僅腦代謝活動比VS患者的旺盛，而且皮層活動更豐富，比如gamma震蕩電活動。中央丘腦作為意識樞紐，通過丘腦-皮層回路驅(qū)動皮層高頻活動[23]，額葉是意識活動的關(guān)鍵皮層[24]。額葉的gamma頻段震蕩與大腦認知功能相關(guān)，比如工作記憶、注意力等。MCS組比VS組高頻能量高，暗示MCS保留皮層及皮層下組織結(jié)構(gòu)的功能，而皮層-皮層下結(jié)構(gòu)-丘腦回路是意識的重要神經(jīng)回路，故MCS具有較高的意識水平[25]。相關(guān)性結(jié)果驗證了gamma頻段相對能量與意識水平的關(guān)系。

本研究EEG復雜度的結(jié)果發(fā)現(xiàn)，MCS的PE和PLZC明顯高于VS組的參數(shù)值。已有研究也報道了類似的結(jié)果，認為隨著意識水平降低，腦電活動會趨向更規(guī)律和更易預測(即復雜度降低)，因此說明MCS的EEG復雜度較高[26-27]。麻醉研究發(fā)現(xiàn)，PE、PLZC和ApEn隨意識水平的變化而變化[13,28-29]。然而，本研究發(fā)現(xiàn)，PE和PLZC更適合不同意識狀態(tài)的判定。此外，PE和PLZC均應用符號動力學思想，PLZC根據(jù)新模式的個數(shù)和速度描述數(shù)據(jù)的復雜度，而PE根據(jù)分析符號模式的預測性描述數(shù)據(jù)的復雜度。個體意識的降低表現(xiàn)為大腦活動變慢、趨向規(guī)律化，故測量大腦活動的規(guī)律性和復雜性更適合描述大腦意識狀態(tài)的變化，而符號化處理降低了數(shù)據(jù)噪聲的影響。ApEn 通過信號振幅的變化描述信號復雜度，該方法依賴于數(shù)據(jù)的振幅信息和數(shù)據(jù)長度，更容易受到噪聲偽跡的影響，結(jié)果穩(wěn)定性差。因此，數(shù)據(jù)模式化的PLZC和PE在實際數(shù)據(jù)處理的應用性更強。

構(gòu)建意識分類模型自動診斷意識狀態(tài)，是近些年意識障礙研究的熱點。Sitt團隊利用SVM訓練不同EEG特征，用于區(qū)分VS和MCS；基于功率譜能量、EEG復雜度(PE)和腦連接性的分類模型，能夠穩(wěn)定區(qū)分不同意識狀態(tài)[26]。Chennu改進SVM算法并訓練意識分類模型，通過交叉驗證計算模型的分類性能，表明交叉驗證適用于小樣本數(shù)據(jù)的模型訓練[30]。Denis基于28種EEG特征構(gòu)建極端樹分類模型，能夠穩(wěn)定地區(qū)分VS和MCS患者，研究利用不同腦電設備采集的數(shù)據(jù)驗證模型的穩(wěn)定性[10]。本研究借鑒已有的研究結(jié)果，并進一步探索額葉EEG特征的意識分類效果，相對功率(gamma)和EEG復雜度(PE, PLZC)均具有較高的區(qū)分能力。本研究結(jié)果與已有結(jié)果相比，多種EEG特征融合的機器學習模型分類性能低于單特征的相應性能。一方面，由于本研究只考慮額葉的腦活動，單特征更適合表征局部腦區(qū)的意識相關(guān)活動；另一方面，受限于樣本小，且沒有利用其他EEG設備數(shù)據(jù)進行驗證。

本研究PE、PLZC和gamma譜能量均能顯著區(qū)分MCS和VS，而且以上EEG特征與意識水平的相關(guān)性高于BIS的相關(guān)性?；赑E和PE & PLZC & gamma的分類模型性能高于或者等于BIS的相關(guān)性能。BIS監(jiān)測儀常用于麻醉中意識水平監(jiān)測，提取EEG信號在時間、頻率維度的相關(guān)信息并整合時頻域信息，從而監(jiān)測麻醉中意識水平變化，被認為是麻醉深度監(jiān)測的金標準。研究發(fā)現(xiàn)，BIS值也可用于意識障礙患者的診斷[31]。但是，BIS監(jiān)測儀作為商業(yè)系統(tǒng)，并不開源其算法。 此外，BIS提供的EEG指標存在一定的缺陷。一方面，BIS的時域特征包括爆發(fā)抑制率和QUAZI，用于描述腦活動的抑制程度，但是單純的幅值信息不能解釋腦活動的動力學特質(zhì)；另一方面，BIS通過β比率描述高低頻段腦活動頻域能量的變化，對高頻頻段的劃分過于寬泛(30～40 Hz)，可能忽略了α頻段信息與意識活動的關(guān)系，而研究證實意識障礙的恢復跟α節(jié)律活動有關(guān)。此外，BIS沒有公開其非線性計算方法，而非線性方法的選擇會影響腦狀態(tài)的分析結(jié)果；已有學者討論了意識研究的非線性方法選擇和參數(shù)配置，證實不同方法在研究意識活動中的優(yōu)劣勢，為今后EEG分析方法的研究提供了參考[12]。綜上所述，探索合適穩(wěn)定的EEG指標量化意識水平，有助于解釋意識產(chǎn)生的潛在機制，而且有利于現(xiàn)有意識檢測設備升級和算法優(yōu)化。

5 結(jié)論

本研究探索描述意識水平的腦電特征，發(fā)現(xiàn)PE、PLZC、gamma相對能量能夠區(qū)分不同意識狀態(tài)的患者，而基于靜息態(tài)EEG特征構(gòu)建的機器學習模型能夠用于意識障礙患者的意識診斷。

(致謝：感謝中國人民解放軍總醫(yī)院第七醫(yī)學中心昏迷與腦病調(diào)控中心對本研究的支持，感謝陳雪玲幫助招募患者、收集臨床資料)