本文采用Lempel-Zin復雜度與腦電地形圖(BEAM)相結合的方法研究睡眠剝奪(SD)下警覺度的變化過程。10名受試者進行了36 h的SD,并且每6 h進行了自發和Oddball聽覺誘發實驗,記錄了自發腦電(EEG)和誘發EEG,構建了基于復雜度的腦電地形趨勢圖。結果表明,36 h SD中,警覺度可以分為三個階段:前12 h為警覺度較高的階段,中間12 h為警覺度快速下降的階段,最后12 h為警覺度較低的階段。在SD過程中,自發EEG的復雜度在全腦范圍內有不同程度的下降,與主觀量表的趨勢相符;誘發EEG的額葉復雜度降低,其趨勢與行為學結果相符。所以,EEG復雜度可以有效地反映大腦警覺度的變化,且復雜度計算簡單、運算速度快,為以后應用于警覺度的實時監測提供了新的途徑。
引用本文： 薛然婷, 周鵬, 高翔, 董新明, 王曉璐, 明東, 綦宏志, 王學民. 睡眠剝奪下警覺度變化的非線性研究. 生物醫學工程學雜志, 2014, 31(3): 506-510. doi: 10.7507/1001-5515.20140094 復制
引言
警覺度是指人在執行某項任務時，能夠保持注意力和對緊急事件反應的能力。在實際工作中，從業人員都需要保持一定水平的警覺度，尤其是一些特殊的行業，如飛行員和長途客運司機等更需要長時間保持高度的警覺度。然而，隨著社會生活節奏的加快以及競爭的愈發激烈，越來越多的健康人群存在睡眠不足乃至失眠的問題。而這類問題造成在之后的工作中警覺度水平較低，難以集中注意力，影響工作表現，嚴重者還會導致事故的發生。因而探究警覺度的變化規律，提取相關特征進而能夠檢測所處警覺度的狀態變得特別重要[1-2]。
對警覺度的研究始于20世紀50年代，起初是研究清醒和睡眠狀態的區別。在研究得出人從清醒到睡眠是由幾個階段構成后，就明確的提出了警覺度的概念。在警覺度的研究中，較多的是關于睡眠剝奪(sleep deprivation,SD)之后對人工作表現的影響。睡眠剝奪是指由于環境或自身原因無法滿足正常睡眠的情況下，所引起情緒、學習記憶、免疫功能等一系列改變，同時伴隨疲勞的增加可能引起生理、心理甚至行為的變化[3-4]。由于SD的這些特點，使得通過SD可以很好地模擬警覺度下降的過程。
目前關于警覺度的檢測，主觀檢測是通過人為觀測或感知受試者精神狀態，判斷其警覺度狀態；客觀檢測中，腦電圖(electroencephalogram,EEG)信號能夠最為直觀地反映大腦本身的活動，在時間分辨率上有很好的效果。而且由于EEG的無創性，也更容易在研究中應用。因此，基于EEG的警覺度研究已成為主流[5-8]。
本文設計了36 h SD實驗，采用主觀自評法和EEG信號法對被試者進行檢測；構建了基于EEG復雜度變化的腦電地形圖(brain electrical activity mapping,BEAM)，以此提取EEG中所蘊含的特征信息，直觀、動態地觀察腦活動的變化，探索復雜度在警覺度下降過程中的變化趨勢。
1 數據采集與預處理
受試者共10名，年齡為20~28歲，8男2女，右利手，身體健康，無神經系統病史，在實驗前至少一周保持有規律的作息時間，不喝酒與咖啡、不抽煙、不服用藥物等。EEG采集設備采用EMS公司的PHOENIX數字EEG系統，電極按10-20系統放置，右耳為參考電極，記錄19導EEG數據，采樣頻率為256 Hz。
在受試者已經熟悉實驗環境和操作流程的情況下開始實驗，持續36 h SD。第一天8:00開始，至次日20:00結束，每隔6 h進行一次數據采集，共采集7次數據。SD期間受試者可以自由活動，但不允許離開實驗室，同時禁止劇烈的腦力和體力活動。
每次進行數據采集時，首先用主觀量表進行自我主觀評測；然后在安靜閉眼狀態下進行自發EEG檢測5 min；最后進行10 min P300誘發實驗。非靶刺激為頻率1 000 Hz、分貝30 db的純音，概率為80%；靶刺激為頻率2 000 Hz、分貝30 db的純音，概率為20%。受試者對靶刺激做按鍵反應。
本文選用db4作為小波基函數濾除自發EEG中眼電、肌電等干擾源的影響，采用獨立分量分析法去除誘發EEG中的干擾。
2 分析方法
復雜度的概念由Kolmogorov首先提出，對任一個(0,1)符號序列的算法復雜度定義為能生成該序列的最短計算機程序的長度。此后Lempel和Ziv給出了復雜度的通用算法-Lempel-Ziv complexity (LZC)。LZC表征了一個時間序列里面出現新模式的速率，越高說明出現新模式的概率越高，同時也說明動力學行為越復雜。EEG序列的復雜度表現EEG序列的隨機程度，可以反映EEG序列的信息量的大小。研究表明[9-12]，LZC可以有效反應大腦在不同生理狀態下的變化特征。LZC的算法如下：
(1)對于一段長度為n的EEG序列{x(i),i=1,2,…,n}，首先進行二值化(0,1)處理，即根據序列的中間值mx*與每點進行比較判斷后得到二值化后的EEG序列(s1,s2,…,sn)。
(2)初始化。
c(n)=1,S=(s1),Q=(s2),SQπ=(s1)，
其中c(n)為序列的復雜度；S和Q均為(0,1)序列，在未進行初始化之前為空序列，SQπ為從SQ中減去最后一個字母。
(3)若Q∈V(SQπ)(S中的子字符串的集合)，則表示Q中的字符可從S復制，這時把待求序列的下一個字母級聯到Q，即
S=(s1),Q=(s2,s3),SQπ=(s1,s2)，
若Q?V(SQπ)，則表示Q中字符是插入字符，這時應把Q級聯到S，S=SQ，并把Q清空，再把待求序列的下一個字母添加到Q中，此時
S=(s1,s2),Q=(s3)
(4)每次Q級聯到S時，執行一次c(n)=c(n)+1。 重復(2)、(3)過程，直到Q取到待求序列的最后一位為止。
(5)這樣就把(s1,s2,…,sn)分成了c(n)個不同的子串，即為序列(s1,s2,…,sn)的復雜度。
(6)為了得到與n無關的LZC，進行歸一化，即：
LZC=c(n)/(n/log2n)
本文選取10 s數據長度的自發EEG進行復雜度的計算；對于誘發EEG，LZC計算長度包括刺激前100 ms和刺激后500 ms的數據點。
3 結果與討論
3.1 主觀量表評價
本文采用的主觀量表是Hoddes提出的斯坦福嗜睡測試量表(Stanford Sleepiness Scale,SSS)。SSS將警覺度劃分為7個等級，從第1級(完全清醒、精力旺盛)~第7級(冥想狀態、基本無意識、接近睡眠)，警覺度逐漸降低[13]。圖 1為其中受試者在SD過程中主觀量表的變化過程。
圖1
主觀量表隨時間變化
Figure1.
Subjective scale changes over time
從圖 1可以看出，隨著SD時間的增加，受試者的疲倦程度逐漸升高，其警覺度變化大體分為三個階段：前12 h處于能夠集中注意力的階段，中間12 h 屬于警覺度快速變化的階段，最后12 h處在警覺度較低的階段。
3.2 自發EEG的復雜度評價
本文采集了受試者在SD 36 h過程中的自發EEG，分別計算了受試者閉眼EEG 19導LZC。圖 2為其中1例受試者在SD過程中Fz、Cz和Pz點的LZC趨勢圖。
圖2
受試者Fz、Cz和Pz點復雜度
Figure2.
LZC in Fz，Cz and Pz of a subject
綜合10名受試者在SD過程中LZC的變化情況可知，各個導聯的LZC呈現規律性變化。受試在SD 12 h內各導聯的LZC變化波動不大，然后均有較大幅度的降低，在24~30 h為最低，降低幅度為20%~30%，然后在36 h處有小幅度的回升。LZC反映的是大腦出現新模式的概率，可以反映出在SD過程中，大腦機能逐漸下降的過程。
為了更直觀地反映這種變化，利用LZC結果構建了腦電地形圖。其中1例受試者自發EEG的LZC腦電地形圖如圖 3所示。
圖3
自發EEG的復雜度腦電信息圖
Figure3.
Brain information map of LZC on spontaneous EEG
由圖 3知，色度值由白到黑，表示LZC變化由小到大，可以看到整個腦區的明顯的變化趨勢。在SD 12 h內，各腦區LZC變化并不大，且LZC值大多都在0.4以上，處于大腦比較活躍的狀態，動力學行為較復雜。而在SD 12~24 h之間，各腦區的LZC有了明顯的下降，尤其是在SD 24 h時腦區的LZC下降幅度最大。且LZC值多在0.4以下，此時大腦已經處于警覺度很低的狀態。SD 30 h時，各腦區LZC達到最小值，在36 h有了短暫的回升，這與我們主觀向量表得到的結論相符。
3.3 誘發EEG的評價
P300是與注意、辨認、決策、記憶等認知活動有關[14]。靶刺激疊加平均得到的波形稱為P300，其波峰和潛伏期與心理資源量相關，表征警覺度中的保持注意力。隨著SD時間的增加，受試者出現按鍵反應時間增長的現象，如圖 4所示。但判斷靶刺激的準確率沒有顯著性變化。
圖4
P300反應時間隨SD時間的變化
Figure4.
Reaction time of P300 changes over SD
對提取的時間相關電位進行分析，得到在整個SD過程中均觀察到了明顯的P300波形，Fz、Pz和Cz三點幅度和潛伏期變化如圖 5所示。P300波峰幅值整體呈下降趨勢，表明心理資源量減少、刺激響應能力降低。
圖5
P300幅值和潛伏期隨時間變化
(a)P300幅值隨時間變化；(b)P300潛伏期隨時間變化
Figure5. Amplitude and latent period of P300 change over time(a) the amplitude of P300 change over time; (b) the latent period of P300 change over time
采用同自發EEG一樣的方法建立誘發EEG的歸一化LZC腦電地形圖，圖 6為其中一位受試者的誘發EEG P300地形圖。在整個SD過程中，大腦額葉功能區的LZC在最初12 h內相對穩定；之后12 h相對其他功能區而言，下降比較迅速；在最后的12 h內LZC顯著低于其他腦區。
額葉是主要的執行功能區域，其作用主要與保持注意力等認知功能有關。在SD的過程中，內源性成分P300的潛伏期延長，反映了被試投入到任務中的大腦資源減少，警覺度下降。同時，從圖 6可以看到SD引起LZC在全腦的分布結構發生了變化。在SD后，受試者判斷靶刺激的速度減低，但是準確率沒有顯著性變化，也反映了大腦其他腦區的代償作用。
圖6
誘發EEG的復雜度腦電信息圖
Figure6.
Brain information map of LZC on evoked EEG
4 結論
(1)在SD 36 h過程中，結合主觀量表以及EEG信號法，將警覺度分為以下三個階段：前12 h處于警覺度較高的階段，中間12 h屬于警覺度快速降低的階段，最后12 h處在警覺度較低的階段。同時在最后一次數據采集時，由于被試對實驗將要結束的主觀期望導致情緒高漲，在36 h時警覺度出現了短暫的回升。
(2)本文采用LZC與EEG地形圖相結合的方法對自發EEG和誘發EEG進行了分析。SD對EEG復雜性產生的是負向影響，以此來模擬警覺度下降的過程；可以看到自發EEG的LZC值在全腦范圍內有不同程度的下降，反映出大腦活動逐步下降的過程；誘發EEG中，額葉區LZC的逐步下降，反映出SD誘發了額葉區域的抑制狀態，同時也看到了其他腦區的代償作用。作為一種非線性評價方法，LZC不僅可以反映EEG微狀態的變化特性，而且算法簡單易實現、運算速度快，為以后應用于警覺度的實時監測中提供了可能。
引言
警覺度是指人在執行某項任務時，能夠保持注意力和對緊急事件反應的能力。在實際工作中，從業人員都需要保持一定水平的警覺度，尤其是一些特殊的行業，如飛行員和長途客運司機等更需要長時間保持高度的警覺度。然而，隨著社會生活節奏的加快以及競爭的愈發激烈，越來越多的健康人群存在睡眠不足乃至失眠的問題。而這類問題造成在之后的工作中警覺度水平較低，難以集中注意力，影響工作表現，嚴重者還會導致事故的發生。因而探究警覺度的變化規律，提取相關特征進而能夠檢測所處警覺度的狀態變得特別重要[1-2]。
對警覺度的研究始于20世紀50年代，起初是研究清醒和睡眠狀態的區別。在研究得出人從清醒到睡眠是由幾個階段構成后，就明確的提出了警覺度的概念。在警覺度的研究中，較多的是關于睡眠剝奪(sleep deprivation,SD)之后對人工作表現的影響。睡眠剝奪是指由于環境或自身原因無法滿足正常睡眠的情況下，所引起情緒、學習記憶、免疫功能等一系列改變，同時伴隨疲勞的增加可能引起生理、心理甚至行為的變化[3-4]。由于SD的這些特點，使得通過SD可以很好地模擬警覺度下降的過程。
目前關于警覺度的檢測，主觀檢測是通過人為觀測或感知受試者精神狀態，判斷其警覺度狀態；客觀檢測中，腦電圖(electroencephalogram,EEG)信號能夠最為直觀地反映大腦本身的活動，在時間分辨率上有很好的效果。而且由于EEG的無創性，也更容易在研究中應用。因此，基于EEG的警覺度研究已成為主流[5-8]。
本文設計了36 h SD實驗，采用主觀自評法和EEG信號法對被試者進行檢測；構建了基于EEG復雜度變化的腦電地形圖(brain electrical activity mapping,BEAM)，以此提取EEG中所蘊含的特征信息，直觀、動態地觀察腦活動的變化，探索復雜度在警覺度下降過程中的變化趨勢。
1 數據采集與預處理
受試者共10名，年齡為20~28歲，8男2女，右利手，身體健康，無神經系統病史，在實驗前至少一周保持有規律的作息時間，不喝酒與咖啡、不抽煙、不服用藥物等。EEG采集設備采用EMS公司的PHOENIX數字EEG系統，電極按10-20系統放置，右耳為參考電極，記錄19導EEG數據，采樣頻率為256 Hz。
在受試者已經熟悉實驗環境和操作流程的情況下開始實驗，持續36 h SD。第一天8:00開始，至次日20:00結束，每隔6 h進行一次數據采集，共采集7次數據。SD期間受試者可以自由活動，但不允許離開實驗室，同時禁止劇烈的腦力和體力活動。
每次進行數據采集時，首先用主觀量表進行自我主觀評測；然后在安靜閉眼狀態下進行自發EEG檢測5 min；最后進行10 min P300誘發實驗。非靶刺激為頻率1 000 Hz、分貝30 db的純音，概率為80%；靶刺激為頻率2 000 Hz、分貝30 db的純音，概率為20%。受試者對靶刺激做按鍵反應。
本文選用db4作為小波基函數濾除自發EEG中眼電、肌電等干擾源的影響，采用獨立分量分析法去除誘發EEG中的干擾。
2 分析方法
復雜度的概念由Kolmogorov首先提出，對任一個(0,1)符號序列的算法復雜度定義為能生成該序列的最短計算機程序的長度。此后Lempel和Ziv給出了復雜度的通用算法-Lempel-Ziv complexity (LZC)。LZC表征了一個時間序列里面出現新模式的速率，越高說明出現新模式的概率越高，同時也說明動力學行為越復雜。EEG序列的復雜度表現EEG序列的隨機程度，可以反映EEG序列的信息量的大小。研究表明[9-12]，LZC可以有效反應大腦在不同生理狀態下的變化特征。LZC的算法如下：
(1)對于一段長度為n的EEG序列{x(i),i=1,2,…,n}，首先進行二值化(0,1)處理，即根據序列的中間值mx*與每點進行比較判斷后得到二值化后的EEG序列(s1,s2,…,sn)。
(2)初始化。
c(n)=1,S=(s1),Q=(s2),SQπ=(s1)，
其中c(n)為序列的復雜度；S和Q均為(0,1)序列，在未進行初始化之前為空序列，SQπ為從SQ中減去最后一個字母。
(3)若Q∈V(SQπ)(S中的子字符串的集合)，則表示Q中的字符可從S復制，這時把待求序列的下一個字母級聯到Q，即
S=(s1),Q=(s2,s3),SQπ=(s1,s2)，
若Q?V(SQπ)，則表示Q中字符是插入字符，這時應把Q級聯到S，S=SQ，并把Q清空，再把待求序列的下一個字母添加到Q中，此時
S=(s1,s2),Q=(s3)
(4)每次Q級聯到S時，執行一次c(n)=c(n)+1。 重復(2)、(3)過程，直到Q取到待求序列的最后一位為止。
(5)這樣就把(s1,s2,…,sn)分成了c(n)個不同的子串，即為序列(s1,s2,…,sn)的復雜度。
(6)為了得到與n無關的LZC，進行歸一化，即：
LZC=c(n)/(n/log2n)
本文選取10 s數據長度的自發EEG進行復雜度的計算；對于誘發EEG，LZC計算長度包括刺激前100 ms和刺激后500 ms的數據點。
3 結果與討論
3.1 主觀量表評價
本文采用的主觀量表是Hoddes提出的斯坦福嗜睡測試量表(Stanford Sleepiness Scale,SSS)。SSS將警覺度劃分為7個等級，從第1級(完全清醒、精力旺盛)~第7級(冥想狀態、基本無意識、接近睡眠)，警覺度逐漸降低[13]。圖 1為其中受試者在SD過程中主觀量表的變化過程。
圖1
主觀量表隨時間變化
Figure1.
Subjective scale changes over time
從圖 1可以看出，隨著SD時間的增加，受試者的疲倦程度逐漸升高，其警覺度變化大體分為三個階段：前12 h處于能夠集中注意力的階段，中間12 h 屬于警覺度快速變化的階段，最后12 h處在警覺度較低的階段。
3.2 自發EEG的復雜度評價
本文采集了受試者在SD 36 h過程中的自發EEG，分別計算了受試者閉眼EEG 19導LZC。圖 2為其中1例受試者在SD過程中Fz、Cz和Pz點的LZC趨勢圖。
圖2
受試者Fz、Cz和Pz點復雜度
Figure2.
LZC in Fz，Cz and Pz of a subject
綜合10名受試者在SD過程中LZC的變化情況可知，各個導聯的LZC呈現規律性變化。受試在SD 12 h內各導聯的LZC變化波動不大，然后均有較大幅度的降低，在24~30 h為最低，降低幅度為20%~30%，然后在36 h處有小幅度的回升。LZC反映的是大腦出現新模式的概率，可以反映出在SD過程中，大腦機能逐漸下降的過程。
為了更直觀地反映這種變化，利用LZC結果構建了腦電地形圖。其中1例受試者自發EEG的LZC腦電地形圖如圖 3所示。
圖3
自發EEG的復雜度腦電信息圖
Figure3.
Brain information map of LZC on spontaneous EEG
由圖 3知，色度值由白到黑，表示LZC變化由小到大，可以看到整個腦區的明顯的變化趨勢。在SD 12 h內，各腦區LZC變化并不大，且LZC值大多都在0.4以上，處于大腦比較活躍的狀態，動力學行為較復雜。而在SD 12~24 h之間，各腦區的LZC有了明顯的下降，尤其是在SD 24 h時腦區的LZC下降幅度最大。且LZC值多在0.4以下，此時大腦已經處于警覺度很低的狀態。SD 30 h時，各腦區LZC達到最小值，在36 h有了短暫的回升，這與我們主觀向量表得到的結論相符。
3.3 誘發EEG的評價
P300是與注意、辨認、決策、記憶等認知活動有關[14]。靶刺激疊加平均得到的波形稱為P300，其波峰和潛伏期與心理資源量相關，表征警覺度中的保持注意力。隨著SD時間的增加，受試者出現按鍵反應時間增長的現象，如圖 4所示。但判斷靶刺激的準確率沒有顯著性變化。
圖4
P300反應時間隨SD時間的變化
Figure4.
Reaction time of P300 changes over SD
對提取的時間相關電位進行分析，得到在整個SD過程中均觀察到了明顯的P300波形，Fz、Pz和Cz三點幅度和潛伏期變化如圖 5所示。P300波峰幅值整體呈下降趨勢，表明心理資源量減少、刺激響應能力降低。
圖5
P300幅值和潛伏期隨時間變化
(a)P300幅值隨時間變化；(b)P300潛伏期隨時間變化
Figure5. Amplitude and latent period of P300 change over time(a) the amplitude of P300 change over time; (b) the latent period of P300 change over time
采用同自發EEG一樣的方法建立誘發EEG的歸一化LZC腦電地形圖，圖 6為其中一位受試者的誘發EEG P300地形圖。在整個SD過程中，大腦額葉功能區的LZC在最初12 h內相對穩定；之后12 h相對其他功能區而言，下降比較迅速；在最后的12 h內LZC顯著低于其他腦區。
額葉是主要的執行功能區域，其作用主要與保持注意力等認知功能有關。在SD的過程中，內源性成分P300的潛伏期延長，反映了被試投入到任務中的大腦資源減少，警覺度下降。同時，從圖 6可以看到SD引起LZC在全腦的分布結構發生了變化。在SD后，受試者判斷靶刺激的速度減低，但是準確率沒有顯著性變化，也反映了大腦其他腦區的代償作用。
圖6
誘發EEG的復雜度腦電信息圖
Figure6.
Brain information map of LZC on evoked EEG
4 結論
(1)在SD 36 h過程中，結合主觀量表以及EEG信號法，將警覺度分為以下三個階段：前12 h處于警覺度較高的階段，中間12 h屬于警覺度快速降低的階段，最后12 h處在警覺度較低的階段。同時在最后一次數據采集時，由于被試對實驗將要結束的主觀期望導致情緒高漲，在36 h時警覺度出現了短暫的回升。
(2)本文采用LZC與EEG地形圖相結合的方法對自發EEG和誘發EEG進行了分析。SD對EEG復雜性產生的是負向影響，以此來模擬警覺度下降的過程；可以看到自發EEG的LZC值在全腦范圍內有不同程度的下降，反映出大腦活動逐步下降的過程；誘發EEG中，額葉區LZC的逐步下降，反映出SD誘發了額葉區域的抑制狀態，同時也看到了其他腦區的代償作用。作為一種非線性評價方法，LZC不僅可以反映EEG微狀態的變化特性，而且算法簡單易實現、運算速度快，為以后應用于警覺度的實時監測中提供了可能。
