程雅楠,李斯卉,宋江玲,张 瑞

(西北大学 医学大数据研究中心, 陕西 西安 710127)

意识障碍(disorders of consciousness, DOC)是由大脑皮质及上行网状激活系统受损,进而导致个体对自身和外界的感知能力减弱甚至消失的一种神经系统疾病[1]。临床表现为嗜睡、生理反射消失、视觉和听觉受损等症状,严重时还会导致肺部感染、尿路感染、脑积水等多种并发症[2]。据相关研究发现,美国目前DOC患者为10～30万人[3];欧洲DOC的平均患病率约为0.06‰[3];我国每年新增DOC患者已超过10万例[4-5]。

DOC预后评估是指临床医生根据患者相关检查结果对患者的预后情况(良好或不良)进行评判的过程。进而,根据评判结果可以及时调整治疗措施和护理决策。准确和稳健的预后评估不仅能帮助医生制定出针对不同患者的有效治疗措施,也能减轻患者的治疗痛苦,为患者家属提供更好的预后咨询。目前临床上对DOC患者常用的预后评估包括显性行为观察、神经影像学检查[6]。显性行为观察以行为量表为基准,结合患者一段时间的行为表现进行评估,但此方法主观性强,容易受到各种外界因素的干扰;神经影像学检查通过分析MRI、CT等影像数据来判读大脑皮质与其他区域之间的连接性,从而诊断患者的意识水平,但此类检查方式需要特殊设备以及专业人员的操作,不仅价格昂贵且存在放射线暴露的风险,限制了其在临床上的推广应用。同时,它们存在一个共同问题,即无法执行对DOC患者的连续监测。相关研究表明,脑电图(electroencephalogram, EEG)与DOC患者的意识水平显著相关[7]，这为DOC的预后评估提供了一种潜在的可能。

EEG是一种通过安放在大脑皮质或颅内的电极所记录到的生物电信号,具有可连续床旁监测、易获取、成本低、时间分辨率高、无辐射性等优点[8]。但临床采用EEG进行预后评估需要依靠专业医生对长时程脑电记录的视觉判读,不仅工作量大,耗费大量人力、物力,且脑电结论依赖医生的临床经验和专业素养,主观性强。鉴于此,如何采用机器学习方法对DOC脑电数据(DOC-EEG)进行有效分析,实现DOC的预后定量评估越来越受到广大学者的关注。

基于EEG的DOC预后评估本质是一个二分类问题,即从DOC-EEG中提取恰当特征并结合分类器完成DOC预后状态(良好或不良)的分类。目前，仅有少量工作聚焦于这一研究,所提方法大致可以归为两类:频域分析和非线性分析[9]。频域分析主要是通过刻画EEG的频率能量变化来区分预后状态。Babiloni等人基于快速傅里叶变换计算脑电节律的能量分布,并结合Cox回归分析实现DOC的预后评估[10]。随后,Lechinger等人提出以8 Hz以上与8 Hz以下频率之间的比率和频谱峰值的频率作为特征,结合统计分析方法实现DOC预后状态的自动评估[11]。此外,归一化脑电功率和中值频谱频率[12]等特征也被提出。由于大脑是一个典型的非线性动力系统,借助非线性理论方法分析EEG实现DOC的预后评估也成为一个研究方向。Sara等人提取近似熵及其最大值、最小值和平均值作为脑电特征,通过逻辑回归分析实现了DOC预后状态的分类[13]。Stefan等人采用排列熵和符号传递熵,结合复杂网络分析完成了DOC患者预后状态的评估[14]。

本文以EEG为数据源,提出了一种新的基于EEG的DOC预后评估方法。首先，计算并绘制不同频带下脑电信号的功率谱-庞加莱散点图；其次，在此基础上定义了3种新的度量指标：最大半径、区域密度以及密度变异性，并将其作为DOC预后评估脑电特征；最后，结合随机森林分类器，提出基于PPBF的DOC预后状态自动评估方法。采用西安某医院神经内科临床采集19名DOC患者的脑电数据验证所提方法的可行性与有效性。

1 相关方法

本小节结合功率谱和庞加莱散点图,定义了3种新的度量指标,即最大半径、区域密度和密度变异性,并据此提出了基于功率谱-庞加莱散点图的DOC脑电特征提取方法。进一步结合随机森林分类算法,提出了基于PPBF的DOC预后状态评估方法。

1.1 基于功率谱-庞加莱散点图的脑电特征提取方法

研究表明,脑电在不同频带的能量变化与DOC患者的预后表现息息相关。用来展现脑电不同频率能量的一种有效方法就是功率谱[15-16]。图1分别展示了一名预后良好患者和一名预后不良患者在5个频带(δ:0.5～4 Hz,θ:4～8 Hz,α:8～12 Hz,β:12～30 Hz,γ:30～100 Hz)上的功率分布情况,其中横轴代表频率,纵轴代表对应频率的功率值,每种颜色代表在对应频带(δ:红色,θ:绿色,α:蓝色,β:黄色,γ:粉色)下的功率谱。从图中可以看出,两类患者在每种脑电频带下的功率谱都存在一定差异,而在高频频带(即γ频带)上的差异更为显著。

图1 脑电频带的功率谱散点图Fig.1 Scatter diagram of power spectrum for each EEG band

为了刻画上述所观察到的差异性,本文进一步结合庞加莱散点图将每个频带的功率谱在相空间中表示出来。庞加莱散点图是具有非线性混沌特性的多维空间结构的截面图,用于研究非线性系统的演化规律。对于给定信号{x(n)}，n=1,2,…,N,其功率谱为

(1)

基于功率谱的庞加莱散点图由下列N-1个有序数对所构成:

PP={(P(ω),P(ω+1))}，

(2)

其中，每个有序数对表示功率谱序列中的两个相邻点。图2展示了预后良好与预后不良患者在两个脑电频带(β和γ)的功率谱-庞加莱散点图。从图2中可以看出,预后良好患者的散点分布较为分散;而预后不良患者的散点分布十分密集,且集中在原点附近。在其他频带也可以观察到同样现象。为了刻画这一差异性,本文进一步提出3种度量指标:最大半径、区域密度和密度变异性,并融合3种指标提出基于功率谱-庞加莱散点图的DOC脑电特征PPBF，具体过程见算法1。

图2 β和γ频带的功率谱-庞加莱散点图Fig.2 Scatter diagram of power spectra-Poincare plot for beta and gamma bands

算法1基于功率谱-庞加莱散点图的特征提取方法。

给定脑电信号S={s(1),s(2),…,s(M)},其中，M为样本点数。

步骤3由式(2)得到Pi的庞加莱散点序列PPi。

(3)

步骤5以h×ri1/4，h=1,2,3,4为半径分别作扇形Qh，定义区域Rh(如图3所示)为

(4)

步骤6对每个区域Rh分别计算其区域密度di2与密度变异性vi3：

(5)

(6)

(7)

F1=[r11，r21，…，rr1]T，

F2=[d12，d22，…，dr2]T，

F3=[v13，v23，…，vr3]T。

融合指标F1、F2、F3，构建基于功率谱-庞加莱散点图的DOC脑电特征(PPBF),即

F=[F1，F2，F3]。

图3 β和γ频带下散点图的最大半径r及4个区域Fig.3 The maximum radius r and four regions of the scatter plot for β and γ bands

1.2 基于PPBF的DOC预后评估方法

以PPBF为脑电信号特征,并将其作为随机森林分类器的输入向量,训练随机森林分类预后良好患者与预后不良患者,从而完成DOC预后状态的自动评估,方法步骤如图4所示。

2 数值实验及结果分析

2.1 脑电数据

本文使用的脑电信号均由西安某医院神经内科专业医师采集所得, 共包含19名DOC患者持续时长为1 h的18导联脑电信号, 采样率为2 048 Hz。其中,预后良好患者11人,预后不良患者8人。图5分别展示了某一预后良好患者与某一预后不良患者在单一通道下时长为1s的脑电片段。

图4 意识障碍预后评估算法步骤图Fig.4 Flowchart of prognostic assessment for DOC

图5 预后良好与不良患者的脑电片段Fig.5 EEG signals in patients with good and poor prognosis

2.2 脑电去噪

DOC-EEG在采集过程中会受到各种噪声的影响,主要包括基线漂移和工频干扰。其中，基线漂移是由电极移动、人体呼吸等引起的脑电信号基线的上下波动,通常表现为变化缓慢的近似正弦曲线,频率在1 Hz以下;工频干扰是由于周围环境有交流电设备或导联线接触不良等原因产生的有规律的正弦波,频率约为50 Hz。本文首先采用中值滤波方法去除基线漂移,滤波窗口长度设置为0.01 s。其次,采用巴特沃斯带阻滤波器去除工频干扰,阻带频率为49～51 Hz。图6A、6C、6E分别展示了一个时长为1 s的原始脑电片段,以及对其去除基线漂移与工频干扰后的脑电片段,图6B、6D、6F为对应于图6A、6C、6E的功率谱图,从图6可以看出，1 Hz以下与50 Hz附近的干扰被大大降低。

2.3 实验结果

本小节主要从以下两个方面验证所提方法的有效性:①以随机森林为分类器,对所定义的单一指标(即最大半径r、区域密度d和密度变异性v)与所提特征PPBF的性能进行比较;②以PPBF为特征,关于随机森林与BP(back propagation)神经网络两种分类器的性能进行比较。

数值实验中主要采用评估准确率作为性能评价指标,其计算公式如下:

(8)

其中：TP代表正确分类的预后良好患者数；TN代表正确分类的预后不良患者数；FP代表被错误分类的预后不良患者数；FN代表被错误分类的预后良好患者数。数值实验均采用十折交叉验证,并取10次实验的平均结果作为最终分类性能。

在特征提取过程中, 首先对去噪后的脑电片段进行无重叠加窗分段处理, 窗口长度设置为5 s。小波包分解中的基小波为db10函数,分解层数为8层。随机森林的基学习器个数设为30,BP神经网络的结构包含1个隐藏层,隐节点个数设为15, 学习率设为0.01, 迭代次数epoch=1 000。

为了方便可视化,本文只展示了γ频带下所提取的单一指标。图7为γ频带下最大半径r、区域R1密度和密度变异性v的特征分布散点图。其中，蓝色的点代表预后良好患者每一脑电片段的特征值,红色的点代表预后不良患者每一脑电片段的特征值。从图7可以看出,所提指标均能够有效区分DOC预后良好患者与预后不良患者。

表1展示了3个单一指标与所提特征PPBF对于DOC预后状态的评估准确率,从表1可以看出,所定义的每一指标均能够有效区分DOC的两种预后情况,且相比密度变异性,最大半径与区域密度能获得更好的评估准确率。而将3个指标融合后所构建的PPBF特征的评估准确率得到了显著提高。

表1 单一指标与所提特征的评估准确率Tab.1 The accuracy of the signal feature and PPBF

图6 脑电信号去噪结果Fig.6 The result of denoising EEG singals

此外,为了进一步研究不同频带脑电信号对于DOC预后评估的差异性,本文首先从5个频带(δ：0.5～4 Hz,θ：4～8 Hz,α：8～12 Hz,β：12～30 Hz,γ：30～100 Hz)提取所定义的3个单一指标,并在融合指标后构建单一频带上的特征,记为PPBFj(j∈{δ,θ,α,β,γ}),进而比较了不同频带上PPBFj对于DOC预后评估的性能。表2给出了所提特征PPBFj对应的DOC预后评估准确率。从表中可以看出,高频频带(即β、γ)的特征具有更高的分类性能,表明DOC-EEG高频频带所蕴含的信息可能对于评估意识障碍的预后表现具有更重要的意义。

最后,本文检验了所提特征在不同分类器下的性能表现。所提特征PPBF在随机森林与BP神经网络分类器下的DOC预后评估准确率分别为85.54%和75.55%，均表现出较好的分类性能,且在随机森林分类算法下的分类效果更好,反映了本文所提特征的有效性与可行性。

图7 γ频带下所提特征的特征值散点图Fig.7 Scatter diagram of extracted features under gamma band

表2 所提特征在不同频带上的性能

3 结语

本文首先提出了一种新的基于功率谱-庞加莱散点图的DOC脑电特征提取方法PPBF；其次,结合随机森林分类算法,提出了一种基于PPBF的DOC预后状态自动评估方法；最后,采用临床采集的19名DOC患者的脑电数据，从以下两个方面对所提特征的有效性进行了验证:①单一指标与所提特征PPBF均能有效区分DOC的两种预后情况,且融合单一指标所构建的PPBF特征的评估准确率得到显著提高；②所提特征PPBF在随机森林与BP神经网络下都表现出较好的分类性能,反映了本文所提特征的有效性与可行性。实验表明所提特征可以有效区分DOC预后状态,这能够在一定程度上为临床预后评估以及护理决策的制定提供一定的辅助作用。