本研究旨在實現對植物狀態和最小意識狀態腦電信號的分類識別。通過對植物狀態和最小意識狀態患者施加喚名刺激，采集被喚名時患者的腦電信號；然后對腦電數據進行去噪預處理、樣本熵和多尺度熵的特征提取；最后將提取的數據特征送入多核學習支持向量機（SVM）中進行訓練和分類。試驗結果表明，嚴重意識障礙患者alpha波腦電特征表現顯著，平均分類精度為88.24%，實現了定量化的嚴重意識障礙狀態判定，為意識障礙程度的臨床診斷提供了輔助依據。
引用本文： 李曉歐, 譚英超, 楊勇. 基于熵的嚴重意識障礙腦電信號識別方法. 生物醫學工程學雜志, 2016, 33(5): 855-861. doi: 10.7507/1001-5515.20160138 復制
引言
嚴重意識障礙患者是指由于嚴重的腦損傷，腦出血或梗死、電擊、心臟疾病、溺水等事故所致的對周圍環境或自身感知能力具有障礙的患者。嚴重意識障礙患者的意識狀態主要包括兩種，分別是植物狀態(vegetative state，VS)和最小意識狀態(minimally conscious state，MCS)。VS患者有睡眠─覺醒周期，雖然肌體能生存和反應，但是缺乏對環境和自身的感知，無意識和思維；MCS患者是指有嚴重的意識改變，但其行為表現證明對周圍環境和自身具有很小但有明確認知的一種狀態[1]。隨著交通事故、工傷事故以及腦缺血疾病頻發，嚴重腦損傷患者數量大幅增加，導致嚴重意識障礙患者數量逐年呈上升趨勢。隨著現代醫療護理技術的提高，嚴重意識障礙患者在得到較好護理的情況下可以存活多年。只有對這類患者的意識障礙程度進行準確的診斷，才能實現有效跟蹤和治療，對癥實施適合此類患者的康復方案。目前臨床上對于意識障礙水平和預后的判定主要依靠量表，如GCS量表、FOUR量表、CRS-R量表、WHIM量表、SMART量表等[2]。但在使用量表對患者意識障礙進行評估時，判定結果受測試者的主觀影響較大，靈敏度不高，不能十分準確地反映出患者的病情變化。
為了對嚴重意識障礙患者進行康復和喚醒，多種聲音刺激的方法在臨床上被使用，如由病患家屬呼喚病患自己的姓名、呼喚病患比較熟悉的人名、播放患者昏迷前喜歡的音樂等，已有VS患者經過家人悉心照料和呼喚之后蘇醒的報道。研究表明，對嚴重意識障礙患者進行聲音刺激，有利于提高其中樞神經系統的興奮程度，降低覺醒閾值，改善意識狀態[3]。
隨著腦電圖(electroencephalograph，EEG)、神經影像學等診斷方法的引入，在意識狀態判定方面的研究取得了較大進展。Babiloni等[4]研究表明大腦皮層腦電alpha節律特征與3個月持續VS患者的恢復狀態相關。Wijnen等對10例VS患者進行長達兩年的研究，指出失匹配負波振幅突然增加的患者有所好轉，后期能與外界環境進行交流。近年來，功能性磁共振成像(functional magnetic resonance imaging，fMRI)由于其高質量的成像技術，被廣泛應用于腦功能研究中。在狄海波[5]的研究中，對12名嚴重意識障礙患者進行了喚名刺激和音樂刺激，并使用fMRI方法對被試者的大腦皮層反應進行了研究，結論顯示fMRI可為嚴重意識障礙患者的意識診斷提供重要依據。但是，fMRI、正電子發射計算機斷層顯像(positron emission tomography, PET)及計算機斷層掃描(computed tomography, CT)等常規神經成像判定對于VS患者腦結構損傷程度的評估是間接、不完整的。fMRI畢竟不是直接探測神經興奮信息，顱腦內血管距離傳遞神經興奮的神經元較遠，在神經興奮與產生最大磁共振信號之間存在時間延遲，且時間分辨率較低。同時由于患者無法做出對于放射性檢查同意與否的決定，還應考慮檢查的合法性[6]。隨著EEG的廣泛應用，國際上越來越多的學者使用EEG作為研究手段進行意識狀態的判定。Schnakers等[7]通過采集VS和MCS患者的EEG信號并提取雙頻譜指數作為數據特征，結合臨床評定量表進行了分析與判定。Gosseries等[8]對56例VS和MCS患者以及16例健康對照的EEG熵值進行分析發現，MCS患者的熵值高于VS患者。白璐[9]對VS和MCS患者使用喚自名和播放音樂刺激的小波能量值作為特征參數，通過聚類分析來判斷嚴重意識障礙患者的意識狀態。
本文主要利用EEG的熵值作為研究手段，通過多核學習支持向量機(support vector machine, SVM)算法，研究聲音刺激后VS和MCS患者腦電波特征的變化和區別，同時對嚴重意識障礙患者alpha、beta、theta、delta四個節律波的特征進行了分析，為客觀評定患者的意識障礙水平提供了依據。
1 試驗方法
1.1 試驗對象
研究對象為來自武警浙江總隊醫院康復中心的住院嚴重意識障礙患者33例，病因均為腦外傷，其中VS患者14例，MCS患者19例；男性患者15例，女性患者18例；年齡為20~60歲；均為右利手；無精神病或精神病遺傳病史；試驗前無使用如麻醉劑、鎮痛劑等影響正常思維判斷的藥物；聽力正常；發病期超過1個月且生命體征平穩。同時，也選擇了對照組4例做對比分析，他們身體健康，無精神疾病或腦外傷病史。所有患者家屬及健康被試者均自愿參加本次試驗，并簽署了書面知情同意書。采用CRS-R量表進行被試者意識狀態診斷，該量表具有包括聽覺、視覺、運動、言語反應、交流和喚醒度等6個角度來評定意識水平。根據CRS-R評分結果，VS患者各項得分平均值為0.5、0.5、1.4、1.2、0、1.8，MCS患者各項得分平均值為2.3、2.9、3、1.4、0.4、2.1，所選被試病例均符合VS和MCS的判定標準。對病例組和健康對照組臨床EEG信號進行t檢驗，t=1.695，P＜0.05，結果證明二者間EEG信號差異具有統計學意義。
1.2 試驗范式
呼喚患者姓名是臨床上對嚴重意識障礙患者康復治療的主要手段，早在20世紀90年代，Berlad等[10]研究發現聽到自己的名字后，健康人的P300波幅增大，說明聽到自己的名字后大腦會有強烈反應。翁旭初[11]研究發現親人對患者進行喚名刺激后，MCS和部分VS患者的腦部高級聽覺區有一定程度的活躍反應，且在長時間的喚名刺激后，部分的VS也轉化成為了MCS。這些研究均表明嚴重意識障礙患者的聽覺皮層沒有被完全抑制，并在被呼喚名字時有一定的生理反應。因此，本文與臨床應用相結合，采用親人呼喚被試者姓名為手段，記錄被試者被喚名時的EEG信號。每組試驗范式如圖 1所示，首先在聲音刺激前有60 s的安靜狀態；然后以70 dB的音量播放喚名刺激音頻，共90 s，含3次喚名刺激；最后重復試驗過程。
圖1
EEG試驗過程
Figure1.
EEG experiment process
1.3 腦電信號獲取
采集過程中采用單極導聯方式，記錄16導聯(FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6)EEG信號，電極安放采用標準10/20系統，選取A1、A2為參考電極，采樣頻率為256 Hz。同時采集雙側眼電信號和下顎肌電信號，為后期去除噪聲干擾提供依據。
2 數據處理分析
Fingelkurts等[12]研究表明，意識障礙患者的感知能力和腦電波的特征節律有關，感知能力與alpha波動態性能缺失有關，theta、delta和慢alpha節律的出現概率與延時程度與感知能力有關。因此，有必要對原始EEG信號進行特征波的提取，本文利用小波分解的方法進行了節律波的提取，通過多核學習SVM對樣本熵和多尺度熵特征進行分類。
2.1 小波分解
小波變換具有多尺度分析的特點，能夠聚焦到信號的任意細節進行多分辨率的時頻分析，非常適合處理像EEG這種非平穩、瞬時變化的信號[13]。選擇與原始信號相近的小波基函數db4，其具有對稱、平滑和緊支撐性，有近最優的時頻解，對EEG信號分解和重構的效果較好。將含噪信號進行小波分解至4層，得到了包括原始EEG信號在內的5個頻率段，其中包含了四個基本節律alpha、beta、theta、delta的EEG信號，如圖 2所示。
圖2
腦電節律信號波形
Figure2.
Rhythm waveforms of EEG
2.2 特征提取
樣本熵是由Richman提出的一種時間序列復雜性的測度方法，其定義為數據向量在由m維增加至m+1維時繼續保持其相似性的條件概率[14]。多尺度熵是由Costa等[15]提出的一種計算有限長度時間序列復雜程度的方法。在分析電生理信號時，將這兩種熵作為數據特征得到了較好的識別結果，表現出了極高的生物信號適應性。
傳統的熵值計算僅量化了單一尺度時間序列的可預見性，而在規則性和復雜度之間沒有一致相關性，不能很好地分析時間序列的復雜性。從簡單系統得到的時間序列只含有某個尺度上的信息，對比可見，從復雜系統得到的時間序列具有時空多尺度的結構，因此，在度量時間序列的時候應將尺度作為重要的考慮因素。所以，本文將多尺度熵與樣本熵的估計值相結合，作為數據特征進行分類。
2.3 多核學習SVM
多核學習算法中核的定義形式為多個核的線性組合，它是通過梯度下降的優化算法進行學習，同時在加權的2范數正則化形式下，對多核權系數進行額外的1范數約束。與單核函數相比，多核函數對數據特征的描述能力更強，具有更強的魯棒性，也增強了決策函數的可解釋性。
SVM是從線性可分情況下的最優超平面發展而來的。對于兩類問題，設樣本集為(xi, yi)，其中xi∈?n，yi∈{-1, 1}，多核學習的目的就是尋找最優分類面，使得它不僅能將兩類樣本正確分開，并且分類間隔最大，SVM學習問題可表示為：
| $ \begin{array}{l} {\min _d}J\left( d \right)\;\;\sum\limits_{m = 1}^M {{d_m} = 1,{d_m}} \\ J\left( d \right) = \left\{ \begin{array}{l} \mathop {\min }\limits_{\left\{ {{d_m}} \right\},b,\xi ,d} \frac{1}{2}\sum\limits_m {\frac{1}{{{d_m}}}\left\| {{d_m}} \right\|_{{\mathcal{H}_m}}^2 + C\sum\limits_i {{\xi _i}{\forall _i}} } \\ s.t.{y_i}\sum\limits_m {{f_m}\left( {{x_i}} \right) + {y_i}b \ge 1 - {\xi _i}} \\ \;\;\;\;\;{\xi _i} \ge 0\;\;\;\;{\forall _i} \end{array} \right. \end{array} $ |
其中，ξi為松弛項，ξi=0表示線性可分情況，ξi＞0表示線性不可分情況下允許一定的錯分，懲罰因子C用于控制錯分程度，M為核函數的數量，dm為核函數加權系數，每個基本的核Km對應一個fm，dm控制目標函數中的fm的2范數，dm越小fm越平滑。利用Lagrange乘數法可以把上式變成其對偶形式：
| $ J\left( d \right) = \left\{ {\begin{array}{*{20}{c}} {\mathop {\max }\limits_\alpha - \frac{1}{2}\sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}\sum\limits_m {{d_m}{K_m}\left( {{x_i},{x_j}} \right) + \sum\limits_i {{\alpha _i}{\forall _i}} } } }\\ {s.t.\sum\limits_i {{\alpha _i}} {y_i} = 0}\\ {C \ge {\alpha _i} \ge 0\;\;{\forall _i}} \end{array}} \right. $ |
這是典型的二次規劃問題，求解的結果中少部分不為零的αi對應的樣本即為支持向量。
對于非線性分類問題，可以通過非線性映射函數Φ:?n→將數據從原空間映射到高維線性特征空間中，然后在中尋找最優分類面。雖然特征空間的維數極高，但SVM算法運用滿足Mercer條件的核函數代替內積運算，即K(xi, xj)=(Φ(xi)·Φ(xj))，從而不必明確知道Φ(x)的表達式。常用的核函數有多項式函數KPol(x, y)=((x·y)+c)d、徑向基函數KRBF(x, y)=exp(-‖x-y‖2/2δ2)、多層感知器核函數KSig(x, y)=tanh(k(x·y)+υ)等。
然后用梯度下降算法修改加權系數dm，即d←d+γD，γ為步長，重新組合多核函數，再次訓練分類器，直至滿足優化條件，加權系數的改變不再影響分類器，獲得最優的αi。
算法中的梯度下降方向D為：
| $ {D_m}\left\{ \begin{array}{l} 0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{d_m} = 0,\frac{{\partial J}}{{\partial {d_m}}} - \frac{{\partial J}}{{\partial {d_\mu }}} > 0\\ - \frac{{\partial J}}{{\partial {d_m}}} + \frac{{\partial J}}{{\partial {d_\mu }}}\;\;\;\;\;\;\;\;\;\;{d_m} > 0,m \ne \mu \\ \sum\limits_{v \ne \mu ,{d_{v > 0}}} {\left( {\frac{{\partial J}}{{\partial {d_v}}} - \frac{{\partial J}}{{\partial {d_\mu }}}} \right)\;\;\;\;\;\;\;\;\;\;\;\;\;m = \mu } \end{array} \right. $ |
其中，, dμ為d中最大的非零分量，dυ為最大步長對應的分量。
滿足如下對偶間隙(Primal和Dual目標值之差)，最優條件算法迭代停止。
| $ \max \sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}{K_m}\left( {{x_i},{x_j}} \right) - } \sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}} \sum\limits_m {{d_m}{K_m}\left( {{x_i},{x_j}} \right) \le \varepsilon } $ |
求得支持向量后得到相應的SVM最優分類函數為[16]
| $ \left\{ \begin{array}{l} f\left( x \right) = {\mathop{\rm sgn}} \left( {\sum\limits_{sv} {{\alpha _i}{y_i}K\left( {x,{x_i}} \right) + b} } \right)\\ K\left( {x,{x_i}} \right) = \sum\limits_{m = 1}^M {{d_m}{K_m}\left( {x,{x_i}} \right)} \end{array} \right. $ |
3 試驗結果
基于多核學習SVM的嚴重意識障礙EEG信號分類識別算法框圖如圖 3所示。
圖3
分類識別算法框圖
Figure3.
Basic diagram of the proposed approach
算法具體流程如下：
輸入：EEG數據，SVM學習器、M個核/*M=13*/；輸出：VS與MCS識別模型，即嚴重意識障礙EEG信號識別結果；對信號數據進行小波預處理；提取alpha、beta、theta、delta四個節律波；計算多尺度熵及樣本熵的特征值；訓練分類識別模型(利用SVM方法求解優化問題并計算目標函數梯度)；交叉驗證。
在多核學習中，3個多項式核、10個徑向基核被選擇。多項式核是典型的全局核，泛化能力強，學習能力差；徑向基核是局部核，泛化能力差，學習能力強。二者線性結合，可以提高核函數的整體能力。多項式核中，c取1，階數d分別取1、2、3；對于徑向基寬度，δ分別取0.5、1、2、5、7、10、12、15、17、20。算法終止準則為對偶間隙小于0.01或最大迭代數為500。本文結合熵和多核學習SVM，研究不同嚴重意識障礙患者EEG信號的節律特征，通過人工智能的方法自動識別VS和MCS識兩種狀態，即實現嚴重意識障礙EEG信號2類(VS與MCS)分類問題，為臨床客觀評定意識障礙水平提供理論和試驗依據。
首先進行正常對照與兩類嚴重意識障礙患者的EEG信號分類識別，分類精度分別為93.02%(VS與正常對照)和89.41%(MCS與正常對照)。從結果可以看出，分類效果較好，這說明嚴重意識障礙患者的EEG信號和正常對照的EEG信號之間存在明顯差別，為下一步VS與MCS的識別提供了條件。
圖 4給出了原始EEG和四個節律alpha、beta、theta、delta的不同導聯在不同時刻的分類精度等高線圖。圖 4中VS與MCS分類精度是以等高線圖的形式給出的，每張圖的橫軸是時間，縱軸是導聯(共16導聯)。對應每個導聯分類精度相鄰數值集合而成閉合曲線，在不同的等高線之間著上不同的顏色表現分類精度的起伏變化，由紅色到藍色表示分類精度值由大到小的變化，即紅色越深精度越高，藍色越深精度越低。如果一張圖中深紅色區域出現得越多，代表分類精度越高。可以看出，alpha波的整體分類效果較好，出現較高分類精度(大于75%)的個數比其他特征波及原始EEG要多，體現了alpha波節律與嚴重意識障礙腦電波的樣本熵和多尺度熵有較大的關聯，在進行嚴重意識障礙EEG信號分類時可以獲得較高的精度。總體上，選用alpha波的樣本熵和多尺度熵作為數據特征，采用多核學習SVM分類器，使用“5-fold”交叉檢驗作為判斷準則，平均分類精度為88.24%。
圖4
喚名過程中不同節律波的分類精度等高圖
(a)原始EEG；(b)alpha波；(c)beta波；(d)theta波；(e)delta波
Figure4. Contour maps of classification accuracy in a calling name stimulation paradigm(a) original EEG; (b) alpha wave; (c) beta wave; (d) theta wave; (e) delta wave
圖 5給出了嚴重意識障礙EEG信號alpha波的腦地形圖，它是以腦地形圖的形式給出的12秒處分類精度的變化，用不同顏色表示球面頭皮展成的精度變化平面圖形。與上述等高線圖的表示法相同，即紅色越深精度越高，藍色越深精度越低。分類精度最高的位置為T3-F3導聯所在區域，這與文獻[17]給出的病例腦部損傷位置的CT圖像標記區域相吻合。所以，可以根據本文中多維非線性特征進行意識障礙診斷的方法，從功能學角度輔助醫生進行腦部受損傷位置的判定。
圖5
alpha波的腦地形圖
Figure5.
Brain topographic map for alpha wave
4 結論
本文將原始EEG信號分解成alpha、beta、theta、delta四種特征波，并使用樣本熵和多尺度熵組合成多維非線性特征參數，使用多核學習SVM方法進行分類，平均分類精度為88.24%。經對比發現，alpha波節律與人腦意識障礙有較大關系，在進行意識障礙分類時具有較高的靈敏度。最后，根據腦區損傷位置與意識障礙分類精度最高的導聯位置吻合推論出，臨床可以使用EEG信號多維非線性特征作為進行腦區損傷判定的輔助依據。
引言
嚴重意識障礙患者是指由于嚴重的腦損傷，腦出血或梗死、電擊、心臟疾病、溺水等事故所致的對周圍環境或自身感知能力具有障礙的患者。嚴重意識障礙患者的意識狀態主要包括兩種，分別是植物狀態(vegetative state，VS)和最小意識狀態(minimally conscious state，MCS)。VS患者有睡眠─覺醒周期，雖然肌體能生存和反應，但是缺乏對環境和自身的感知，無意識和思維；MCS患者是指有嚴重的意識改變，但其行為表現證明對周圍環境和自身具有很小但有明確認知的一種狀態[1]。隨著交通事故、工傷事故以及腦缺血疾病頻發，嚴重腦損傷患者數量大幅增加，導致嚴重意識障礙患者數量逐年呈上升趨勢。隨著現代醫療護理技術的提高，嚴重意識障礙患者在得到較好護理的情況下可以存活多年。只有對這類患者的意識障礙程度進行準確的診斷，才能實現有效跟蹤和治療，對癥實施適合此類患者的康復方案。目前臨床上對于意識障礙水平和預后的判定主要依靠量表，如GCS量表、FOUR量表、CRS-R量表、WHIM量表、SMART量表等[2]。但在使用量表對患者意識障礙進行評估時，判定結果受測試者的主觀影響較大，靈敏度不高，不能十分準確地反映出患者的病情變化。
為了對嚴重意識障礙患者進行康復和喚醒，多種聲音刺激的方法在臨床上被使用，如由病患家屬呼喚病患自己的姓名、呼喚病患比較熟悉的人名、播放患者昏迷前喜歡的音樂等，已有VS患者經過家人悉心照料和呼喚之后蘇醒的報道。研究表明，對嚴重意識障礙患者進行聲音刺激，有利于提高其中樞神經系統的興奮程度，降低覺醒閾值，改善意識狀態[3]。
隨著腦電圖(electroencephalograph，EEG)、神經影像學等診斷方法的引入，在意識狀態判定方面的研究取得了較大進展。Babiloni等[4]研究表明大腦皮層腦電alpha節律特征與3個月持續VS患者的恢復狀態相關。Wijnen等對10例VS患者進行長達兩年的研究，指出失匹配負波振幅突然增加的患者有所好轉，后期能與外界環境進行交流。近年來，功能性磁共振成像(functional magnetic resonance imaging，fMRI)由于其高質量的成像技術，被廣泛應用于腦功能研究中。在狄海波[5]的研究中，對12名嚴重意識障礙患者進行了喚名刺激和音樂刺激，并使用fMRI方法對被試者的大腦皮層反應進行了研究，結論顯示fMRI可為嚴重意識障礙患者的意識診斷提供重要依據。但是，fMRI、正電子發射計算機斷層顯像(positron emission tomography, PET)及計算機斷層掃描(computed tomography, CT)等常規神經成像判定對于VS患者腦結構損傷程度的評估是間接、不完整的。fMRI畢竟不是直接探測神經興奮信息，顱腦內血管距離傳遞神經興奮的神經元較遠，在神經興奮與產生最大磁共振信號之間存在時間延遲，且時間分辨率較低。同時由于患者無法做出對于放射性檢查同意與否的決定，還應考慮檢查的合法性[6]。隨著EEG的廣泛應用，國際上越來越多的學者使用EEG作為研究手段進行意識狀態的判定。Schnakers等[7]通過采集VS和MCS患者的EEG信號并提取雙頻譜指數作為數據特征，結合臨床評定量表進行了分析與判定。Gosseries等[8]對56例VS和MCS患者以及16例健康對照的EEG熵值進行分析發現，MCS患者的熵值高于VS患者。白璐[9]對VS和MCS患者使用喚自名和播放音樂刺激的小波能量值作為特征參數，通過聚類分析來判斷嚴重意識障礙患者的意識狀態。
本文主要利用EEG的熵值作為研究手段，通過多核學習支持向量機(support vector machine, SVM)算法，研究聲音刺激后VS和MCS患者腦電波特征的變化和區別，同時對嚴重意識障礙患者alpha、beta、theta、delta四個節律波的特征進行了分析，為客觀評定患者的意識障礙水平提供了依據。
1 試驗方法
1.1 試驗對象
研究對象為來自武警浙江總隊醫院康復中心的住院嚴重意識障礙患者33例，病因均為腦外傷，其中VS患者14例，MCS患者19例；男性患者15例，女性患者18例；年齡為20~60歲；均為右利手；無精神病或精神病遺傳病史；試驗前無使用如麻醉劑、鎮痛劑等影響正常思維判斷的藥物；聽力正常；發病期超過1個月且生命體征平穩。同時，也選擇了對照組4例做對比分析，他們身體健康，無精神疾病或腦外傷病史。所有患者家屬及健康被試者均自愿參加本次試驗，并簽署了書面知情同意書。采用CRS-R量表進行被試者意識狀態診斷，該量表具有包括聽覺、視覺、運動、言語反應、交流和喚醒度等6個角度來評定意識水平。根據CRS-R評分結果，VS患者各項得分平均值為0.5、0.5、1.4、1.2、0、1.8，MCS患者各項得分平均值為2.3、2.9、3、1.4、0.4、2.1，所選被試病例均符合VS和MCS的判定標準。對病例組和健康對照組臨床EEG信號進行t檢驗，t=1.695，P＜0.05，結果證明二者間EEG信號差異具有統計學意義。
1.2 試驗范式
呼喚患者姓名是臨床上對嚴重意識障礙患者康復治療的主要手段，早在20世紀90年代，Berlad等[10]研究發現聽到自己的名字后，健康人的P300波幅增大，說明聽到自己的名字后大腦會有強烈反應。翁旭初[11]研究發現親人對患者進行喚名刺激后，MCS和部分VS患者的腦部高級聽覺區有一定程度的活躍反應，且在長時間的喚名刺激后，部分的VS也轉化成為了MCS。這些研究均表明嚴重意識障礙患者的聽覺皮層沒有被完全抑制，并在被呼喚名字時有一定的生理反應。因此，本文與臨床應用相結合，采用親人呼喚被試者姓名為手段，記錄被試者被喚名時的EEG信號。每組試驗范式如圖 1所示，首先在聲音刺激前有60 s的安靜狀態；然后以70 dB的音量播放喚名刺激音頻，共90 s，含3次喚名刺激；最后重復試驗過程。
圖1
EEG試驗過程
Figure1.
EEG experiment process
1.3 腦電信號獲取
采集過程中采用單極導聯方式，記錄16導聯(FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6)EEG信號，電極安放采用標準10/20系統，選取A1、A2為參考電極，采樣頻率為256 Hz。同時采集雙側眼電信號和下顎肌電信號，為后期去除噪聲干擾提供依據。
2 數據處理分析
Fingelkurts等[12]研究表明，意識障礙患者的感知能力和腦電波的特征節律有關，感知能力與alpha波動態性能缺失有關，theta、delta和慢alpha節律的出現概率與延時程度與感知能力有關。因此，有必要對原始EEG信號進行特征波的提取，本文利用小波分解的方法進行了節律波的提取，通過多核學習SVM對樣本熵和多尺度熵特征進行分類。
2.1 小波分解
小波變換具有多尺度分析的特點，能夠聚焦到信號的任意細節進行多分辨率的時頻分析，非常適合處理像EEG這種非平穩、瞬時變化的信號[13]。選擇與原始信號相近的小波基函數db4，其具有對稱、平滑和緊支撐性，有近最優的時頻解，對EEG信號分解和重構的效果較好。將含噪信號進行小波分解至4層，得到了包括原始EEG信號在內的5個頻率段，其中包含了四個基本節律alpha、beta、theta、delta的EEG信號，如圖 2所示。
圖2
腦電節律信號波形
Figure2.
Rhythm waveforms of EEG
2.2 特征提取
樣本熵是由Richman提出的一種時間序列復雜性的測度方法，其定義為數據向量在由m維增加至m+1維時繼續保持其相似性的條件概率[14]。多尺度熵是由Costa等[15]提出的一種計算有限長度時間序列復雜程度的方法。在分析電生理信號時，將這兩種熵作為數據特征得到了較好的識別結果，表現出了極高的生物信號適應性。
傳統的熵值計算僅量化了單一尺度時間序列的可預見性，而在規則性和復雜度之間沒有一致相關性，不能很好地分析時間序列的復雜性。從簡單系統得到的時間序列只含有某個尺度上的信息，對比可見，從復雜系統得到的時間序列具有時空多尺度的結構，因此，在度量時間序列的時候應將尺度作為重要的考慮因素。所以，本文將多尺度熵與樣本熵的估計值相結合，作為數據特征進行分類。
2.3 多核學習SVM
多核學習算法中核的定義形式為多個核的線性組合，它是通過梯度下降的優化算法進行學習，同時在加權的2范數正則化形式下，對多核權系數進行額外的1范數約束。與單核函數相比，多核函數對數據特征的描述能力更強，具有更強的魯棒性，也增強了決策函數的可解釋性。
SVM是從線性可分情況下的最優超平面發展而來的。對于兩類問題，設樣本集為(xi, yi)，其中xi∈?n，yi∈{-1, 1}，多核學習的目的就是尋找最優分類面，使得它不僅能將兩類樣本正確分開，并且分類間隔最大，SVM學習問題可表示為：
| $ \begin{array}{l} {\min _d}J\left( d \right)\;\;\sum\limits_{m = 1}^M {{d_m} = 1,{d_m}} \\ J\left( d \right) = \left\{ \begin{array}{l} \mathop {\min }\limits_{\left\{ {{d_m}} \right\},b,\xi ,d} \frac{1}{2}\sum\limits_m {\frac{1}{{{d_m}}}\left\| {{d_m}} \right\|_{{\mathcal{H}_m}}^2 + C\sum\limits_i {{\xi _i}{\forall _i}} } \\ s.t.{y_i}\sum\limits_m {{f_m}\left( {{x_i}} \right) + {y_i}b \ge 1 - {\xi _i}} \\ \;\;\;\;\;{\xi _i} \ge 0\;\;\;\;{\forall _i} \end{array} \right. \end{array} $ |
其中，ξi為松弛項，ξi=0表示線性可分情況，ξi＞0表示線性不可分情況下允許一定的錯分，懲罰因子C用于控制錯分程度，M為核函數的數量，dm為核函數加權系數，每個基本的核Km對應一個fm，dm控制目標函數中的fm的2范數，dm越小fm越平滑。利用Lagrange乘數法可以把上式變成其對偶形式：
| $ J\left( d \right) = \left\{ {\begin{array}{*{20}{c}} {\mathop {\max }\limits_\alpha - \frac{1}{2}\sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}\sum\limits_m {{d_m}{K_m}\left( {{x_i},{x_j}} \right) + \sum\limits_i {{\alpha _i}{\forall _i}} } } }\\ {s.t.\sum\limits_i {{\alpha _i}} {y_i} = 0}\\ {C \ge {\alpha _i} \ge 0\;\;{\forall _i}} \end{array}} \right. $ |
這是典型的二次規劃問題，求解的結果中少部分不為零的αi對應的樣本即為支持向量。
對于非線性分類問題，可以通過非線性映射函數Φ:?n→將數據從原空間映射到高維線性特征空間中，然后在中尋找最優分類面。雖然特征空間的維數極高，但SVM算法運用滿足Mercer條件的核函數代替內積運算，即K(xi, xj)=(Φ(xi)·Φ(xj))，從而不必明確知道Φ(x)的表達式。常用的核函數有多項式函數KPol(x, y)=((x·y)+c)d、徑向基函數KRBF(x, y)=exp(-‖x-y‖2/2δ2)、多層感知器核函數KSig(x, y)=tanh(k(x·y)+υ)等。
然后用梯度下降算法修改加權系數dm，即d←d+γD，γ為步長，重新組合多核函數，再次訓練分類器，直至滿足優化條件，加權系數的改變不再影響分類器，獲得最優的αi。
算法中的梯度下降方向D為：
| $ {D_m}\left\{ \begin{array}{l} 0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{d_m} = 0,\frac{{\partial J}}{{\partial {d_m}}} - \frac{{\partial J}}{{\partial {d_\mu }}} > 0\\ - \frac{{\partial J}}{{\partial {d_m}}} + \frac{{\partial J}}{{\partial {d_\mu }}}\;\;\;\;\;\;\;\;\;\;{d_m} > 0,m \ne \mu \\ \sum\limits_{v \ne \mu ,{d_{v > 0}}} {\left( {\frac{{\partial J}}{{\partial {d_v}}} - \frac{{\partial J}}{{\partial {d_\mu }}}} \right)\;\;\;\;\;\;\;\;\;\;\;\;\;m = \mu } \end{array} \right. $ |
其中，, dμ為d中最大的非零分量，dυ為最大步長對應的分量。
滿足如下對偶間隙(Primal和Dual目標值之差)，最優條件算法迭代停止。
| $ \max \sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}{K_m}\left( {{x_i},{x_j}} \right) - } \sum\limits_{i,j} {{\alpha _i}{\alpha _j}{y_i}{y_j}} \sum\limits_m {{d_m}{K_m}\left( {{x_i},{x_j}} \right) \le \varepsilon } $ |
求得支持向量后得到相應的SVM最優分類函數為[16]
| $ \left\{ \begin{array}{l} f\left( x \right) = {\mathop{\rm sgn}} \left( {\sum\limits_{sv} {{\alpha _i}{y_i}K\left( {x,{x_i}} \right) + b} } \right)\\ K\left( {x,{x_i}} \right) = \sum\limits_{m = 1}^M {{d_m}{K_m}\left( {x,{x_i}} \right)} \end{array} \right. $ |
3 試驗結果
基于多核學習SVM的嚴重意識障礙EEG信號分類識別算法框圖如圖 3所示。
圖3
分類識別算法框圖
Figure3.
Basic diagram of the proposed approach
算法具體流程如下：
輸入：EEG數據，SVM學習器、M個核/*M=13*/；輸出：VS與MCS識別模型，即嚴重意識障礙EEG信號識別結果；對信號數據進行小波預處理；提取alpha、beta、theta、delta四個節律波；計算多尺度熵及樣本熵的特征值；訓練分類識別模型(利用SVM方法求解優化問題并計算目標函數梯度)；交叉驗證。
在多核學習中，3個多項式核、10個徑向基核被選擇。多項式核是典型的全局核，泛化能力強，學習能力差；徑向基核是局部核，泛化能力差，學習能力強。二者線性結合，可以提高核函數的整體能力。多項式核中，c取1，階數d分別取1、2、3；對于徑向基寬度，δ分別取0.5、1、2、5、7、10、12、15、17、20。算法終止準則為對偶間隙小于0.01或最大迭代數為500。本文結合熵和多核學習SVM，研究不同嚴重意識障礙患者EEG信號的節律特征，通過人工智能的方法自動識別VS和MCS識兩種狀態，即實現嚴重意識障礙EEG信號2類(VS與MCS)分類問題，為臨床客觀評定意識障礙水平提供理論和試驗依據。
首先進行正常對照與兩類嚴重意識障礙患者的EEG信號分類識別，分類精度分別為93.02%(VS與正常對照)和89.41%(MCS與正常對照)。從結果可以看出，分類效果較好，這說明嚴重意識障礙患者的EEG信號和正常對照的EEG信號之間存在明顯差別，為下一步VS與MCS的識別提供了條件。
圖 4給出了原始EEG和四個節律alpha、beta、theta、delta的不同導聯在不同時刻的分類精度等高線圖。圖 4中VS與MCS分類精度是以等高線圖的形式給出的，每張圖的橫軸是時間，縱軸是導聯(共16導聯)。對應每個導聯分類精度相鄰數值集合而成閉合曲線，在不同的等高線之間著上不同的顏色表現分類精度的起伏變化，由紅色到藍色表示分類精度值由大到小的變化，即紅色越深精度越高，藍色越深精度越低。如果一張圖中深紅色區域出現得越多，代表分類精度越高。可以看出，alpha波的整體分類效果較好，出現較高分類精度(大于75%)的個數比其他特征波及原始EEG要多，體現了alpha波節律與嚴重意識障礙腦電波的樣本熵和多尺度熵有較大的關聯，在進行嚴重意識障礙EEG信號分類時可以獲得較高的精度。總體上，選用alpha波的樣本熵和多尺度熵作為數據特征，采用多核學習SVM分類器，使用“5-fold”交叉檢驗作為判斷準則，平均分類精度為88.24%。
圖4
喚名過程中不同節律波的分類精度等高圖
(a)原始EEG；(b)alpha波；(c)beta波；(d)theta波；(e)delta波
Figure4. Contour maps of classification accuracy in a calling name stimulation paradigm(a) original EEG; (b) alpha wave; (c) beta wave; (d) theta wave; (e) delta wave
圖 5給出了嚴重意識障礙EEG信號alpha波的腦地形圖，它是以腦地形圖的形式給出的12秒處分類精度的變化，用不同顏色表示球面頭皮展成的精度變化平面圖形。與上述等高線圖的表示法相同，即紅色越深精度越高，藍色越深精度越低。分類精度最高的位置為T3-F3導聯所在區域，這與文獻[17]給出的病例腦部損傷位置的CT圖像標記區域相吻合。所以，可以根據本文中多維非線性特征進行意識障礙診斷的方法，從功能學角度輔助醫生進行腦部受損傷位置的判定。
圖5
alpha波的腦地形圖
Figure5.
Brain topographic map for alpha wave
4 結論
本文將原始EEG信號分解成alpha、beta、theta、delta四種特征波，并使用樣本熵和多尺度熵組合成多維非線性特征參數，使用多核學習SVM方法進行分類，平均分類精度為88.24%。經對比發現，alpha波節律與人腦意識障礙有較大關系，在進行意識障礙分類時具有較高的靈敏度。最后，根據腦區損傷位置與意識障礙分類精度最高的導聯位置吻合推論出，臨床可以使用EEG信號多維非線性特征作為進行腦區損傷判定的輔助依據。
