《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于IAF的alpha波段靜息態(tài)腦磁信號特征提取
基于IAF的alpha波段靜息態(tài)腦磁信號特征提取
2015年微型機(jī)與應(yīng)用第16期
趙建英,黃曉霞
(上海海事大學(xué) 信息工程學(xué)院,上海 201306)
摘要: 針對精神分裂患者靜息態(tài)腦磁特征提取的問題,提出一種基于EMD和樣本熵的非線性動力學(xué)方法對腦磁信號特征進(jìn)行提取。該方法首先用ICA對靜息態(tài)MEG數(shù)據(jù)進(jìn)行預(yù)處理;繼而基于IAF進(jìn)行波段提取,得到快α、慢α1和慢α2波段;然后分別由EMD和樣本熵進(jìn)行處理。結(jié)果表明,精神分裂患者的各波段樣本熵普遍高于正常人,尤其是慢α1波段大腦左半球額葉、枕葉、顳葉區(qū)。
關(guān)鍵詞: MEG IAF EMD 樣本熵 精神分裂癥
Abstract:
Key words :

  摘  要: 針對精神分裂患者靜息態(tài)腦磁特征提取的問題,提出一種基于EMD樣本熵的非線性動力學(xué)方法對腦磁信號特征進(jìn)行提取。該方法首先用ICA對靜息態(tài)MEG數(shù)據(jù)進(jìn)行預(yù)處理;繼而基于IAF進(jìn)行波段提取,得到快α、慢α1和慢α2波段;然后分別由EMD和樣本熵進(jìn)行處理。結(jié)果表明,精神分裂患者的各波段樣本熵普遍高于正常人,尤其是慢α1波段大腦左半球額葉、枕葉、顳葉區(qū)。

  關(guān)鍵詞: MEG;IAF;EMD;樣本熵;精神分裂癥;靜息態(tài)

0 引言

  精神分裂癥[1]臨床上往往表現(xiàn)為癥狀各異的綜合征,涉及感知覺、思維、情感和行為等多方面的障礙以及精神活動的不協(xié)調(diào)。隨著科技的發(fā)展,人們逐漸認(rèn)識到靜息狀態(tài)[2]下與人腦認(rèn)知、意識和情緒相關(guān)的alpha波形與精神分裂癥的認(rèn)知異常有緊密的關(guān)系。由于頻域范圍和能量譜可能存在較大的個(gè)體差異,因此,采用個(gè)體化頻譜分布方法——個(gè)體化α峰頻(Individual Alpha Frequency,IAF)[3]對alpha波段(慢α1、慢α2、快α亞頻)進(jìn)行研究,可以弱化個(gè)體差異。

1 數(shù)據(jù)描述

  靜息態(tài)MEG數(shù)據(jù)是來自美國國立精神健康MEG核心實(shí)驗(yàn)室用VSM MedTech Ltd公司的一套產(chǎn)自加拿大的CTF-275 SQUID設(shè)備得到的。本實(shí)驗(yàn)選取精神分裂癥病例8名,正常人8名,數(shù)據(jù)記錄了273個(gè)有效通道,時(shí)長為4 min,采樣頻率為600 Hz。

2 方法描述

  2.1 個(gè)體化α峰頻IAF

  KLIMESCH W等人[3]將5~14 Hz范圍內(nèi)最高波幅所對應(yīng)的頻率定義為個(gè)體化α峰頻,由此將α頻段分為慢α1(IAF×0.6~IAF×0.8)、慢α2(IAF×0.8~IAF)、快α(IAF~IAF×1.2)亞頻。已有研究表明,α亞頻的功能涉及注意、抑制等精神疾病易損的認(rèn)知領(lǐng)域,其異常在靜息態(tài)或任務(wù)態(tài)均有體現(xiàn)。

  2.2 經(jīng)驗(yàn)?zāi)J椒纸釫MD

  經(jīng)驗(yàn)?zāi)J椒纸鈁4](Empirical Mode Decomposition,EMD)是一種時(shí)頻數(shù)據(jù)分析方法,通常適用于非線性和非穩(wěn)定性信號的處理,其主要思想是從復(fù)雜信號中分離出有限個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),這些IMF分量具有不同的頻率成分。

  2.3 樣本熵

  樣本熵[5]是時(shí)間序列復(fù)雜度的一種度量,在分析生物信號序列的復(fù)雜度分析中已經(jīng)獲得成功應(yīng)用。樣本熵具體算法步驟如下:

  (1)對于一個(gè)由N點(diǎn)組成的原始信號x(1),x(2)…x(N)。

 ?。?)按順序組成一組m維矢量

  Xm(i)=[x(i),x(i+1),...,x(i+m-1)],1≤i≤N-m

 ?。?)定義矢量Xm(i)與Xm(j)之間的距離d[Xm(i),Xm(j)]為兩者對應(yīng)元素中差值最大的一個(gè),即:

  d[Xm(i),Xm(j)]=max[|x(i+k)-x(j+k)|],0≤k≤m-1,i≠j,i≥1,j≤N-m。

 ?。?)給定閾值r=0.2 std,對每一個(gè)i值統(tǒng)計(jì)d[Xm(i),Xm(j)]小于r的數(shù)目,并計(jì)算該數(shù)目與距離總數(shù)的比值,用Blm(r)表示,即:

  1.png

  (5)求其對于所有的i的平均值,用Bm(r)表示:

  2.png

  (6)將維數(shù)加1,即組成m+1維矢量,重復(fù)步驟(1)~(5),并分別用Aim(r)與Am(r)表示。

 ?。?)定義樣本熵為:

  3.png

 ?。?)當(dāng)N為有限值時(shí),式(1)表示為:

  SampEn(m,r,N)=-ln[Am(r)/Bm(r)](2)

3 過程描述

  3.1 預(yù)處理過程

  本實(shí)驗(yàn)MEG數(shù)據(jù)記錄的是受試者靜息態(tài)腦磁信息,經(jīng)過fieldtrip去趨勢預(yù)處理得到273個(gè)有用信道(降低采樣率為150 Hz)。利用盲源信號分離技術(shù)消噪[6],將16個(gè)樣本(8名患者,8名正常人)的腦磁信號進(jìn)行ICA[7]去噪處理,剔除噪聲成分(心電、眼動等),獲得相對純凈的信號。

  3.2 個(gè)體化α峰頻處理

  正常人IAF在8.92 Hz左右,患者組IAF則在9.14 Hz左右,如表1所示。

003.jpg

  3.3 特征提取過程

  將前期處理的MEG數(shù)據(jù)進(jìn)行EMD分解,得到各個(gè)樣本中各個(gè)信道的IMF分量,通過對IMF分量進(jìn)行譜分析,其中前8個(gè)IMF分量集中了腦磁信號的主要能量。本研究將前8個(gè)IMF分量求和,計(jì)算樣本熵。為避免數(shù)據(jù)兩端奇化帶來的影響,計(jì)算樣本熵時(shí)采用了較為穩(wěn)定的50~100 s的數(shù)據(jù)。

4 結(jié)果分析

  4.1 腦區(qū)間結(jié)果

001.jpg


  實(shí)驗(yàn)將觀測的273個(gè)有效通道劃分為1.MLC、2.MLF、3.MLO、4.MLP、5.MLT、6.MRC、7.MRF、8.MRO、9.MRP、10.MRT、11.MZ,共11個(gè)腦區(qū)(MZ是中間豎線腦區(qū)通道),如圖1所示,其中L為左,R為右,F(xiàn)為額葉,C為中央?yún)^(qū),P為頂葉,O為枕葉,T為顳葉。圖2~圖4為正常組和患病組腦區(qū)樣本熵箱型圖,其中橫軸為腦區(qū),縱軸為熵值,深色是正常人,淺色是病人,對各樣本腦區(qū)樣本熵分別做了算術(shù)平均。由圖可以清楚地看到,患病組的平均值明顯高于正常組的平均值(尤其是慢α1波)。

  由以上圖可以看到快α波、慢α1和慢α2波在大腦前額葉部位,患者組的樣本熵遠(yuǎn)遠(yuǎn)高于正常組,這和前額葉作為情感與認(rèn)知功能的高級中樞,被認(rèn)為在精神分裂的發(fā)病中扮演重要角色相符。

  4.2  本地通道特征結(jié)果

002.jpg


  圖5~圖7是本地273個(gè)有效通道正常組和患病組腦磁信號樣本熵拓?fù)鋱D。圖中的具體數(shù)值為腦磁信號樣本熵復(fù)雜度值,圖的顏色由深色到淺色逐漸增大??梢钥闯霾∪私M大部分腦區(qū)復(fù)雜度值大于正常對照組,尤其是慢α1波。

004.jpg

  表2是正常組和患者組α各波段樣本熵在p<0.05的條件下得出的具有顯著性差異的通道。發(fā)現(xiàn)慢α1在MLF、MLO等腦區(qū),快α在MLF、MLO、MLT等腦區(qū),慢α2在MLF、MRC腦區(qū),患者組顯著高于正常組,大部分位于左半球,尤其是慢α1具有顯著差異。

5 結(jié)論

  本文研究結(jié)果表明,精神分裂患者的各α波段樣本熵高于正常人,慢α1波的差異更具顯著性。這預(yù)示著精神分裂癥患者腦磁信號慢α1波大腦左半球額葉、枕葉、顳葉區(qū)的信號復(fù)雜度差異,可能為精神分裂的臨床診斷提供一定的參考。因?yàn)榛疾〕潭?、疾病亞型等都可能影響到腦磁頻譜分布,所以結(jié)果是否具有普遍性尚需進(jìn)一步驗(yàn)證。今后擬繼續(xù)擴(kuò)大樣本量,研究α各亞頻在精神分裂中的更為詳細(xì)的作用。

參考文獻(xiàn)

  [1] 李蘭蘭.基于多導(dǎo)聯(lián)EEG的精神分裂患者alpha波段連接性算法的研究[D].蘭州:蘭州大學(xué),2013.

  [2] RAICHLE M E, MINTUN M A. Brain work and brain imaging[J]. Annual Review of Neuroscience, 2006,29:449-476.

  [3] DOPPELMAYR M, KLIMESCH W, PACHINGER T, et al.Individual differences in brain dynamics: important implications for the calculation of event-related band power[J]. Biological Cybernetics, 1998,79(1):49-57.

  [4] HUANG N E, Shen Zheng, LONG S R, et al. The Empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society, 1998,454(A):903-995.

  [5] 周建芳,羅曉曙,胡葉容.腦電信號的樣本熵分析[J].廣西物理,2007(2):15-17.

  [6] RICARDO V, JAAKO S, BEIKKO J, et al. Independent component approach to the analysis of EEG and MEG recordings[J]. IEEE Transactions on Biomedical Engineering, 2000,47(5):589-593.

  [7] 高莉,黃力宇,丁翠玲.結(jié)合PCA和ICA的腦磁信號消噪研究[J].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,34(6):939-943.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。