CN112617859B - 一种基于平衡脑功能网络特征的平衡能力评估方法 - Google Patents

Abstract

本发明提出了一种基于平衡脑功能网络特征的平衡能力评估方法。首先设置了2种对比评估范式以采集人体应激场景下的平衡脑电信号，然后根据脑‑肌耦合相干规律进行带通滤波，提取到平衡相关最密切的脑电频段。在此基础上构建了人体平衡调节时的脑功能网络，依据复杂网络分析规则计算了功能网络的局部聚类系数，由此定义了一种新的脑功能网络平衡评估指标，该指标融合了信息获取和信息整合能力，把视觉与本体觉统一在了相同当量的信息整合能力平台之上。将该指标加入到分类特征当中，获得了一个有效的人体平衡分类框架，同时结合传统COP综合特征确定了一套人体应急平衡能力等级分类标准，实验表明结合该标准后实施的脑功能网络平衡等级分类方法具有较高的分类准确性。

Description

一种基于平衡脑功能网络特征的平衡能力评估方法

技术领域

本发明属于模式识别领域，涉及利用生理电信号对人体自主平衡能力的判定，特别涉及一种基于脑功能网络特征评估指标的平衡能力判别方法。

背景技术

平衡的含义为身体在静止或运动状态中利用人体中的视觉、本体觉、前庭觉组成的一套用于维持自身平衡的生物系统,通过大脑来整合上述系统中接受到的外界信息并利用运动相关脑区联合控制肢体的骨骼肌肉系统来不断改变人体姿势从而保持身体处于协调状态的能力。由于人体是一种相对稳定的结构，人体始终处于动态调节状态中，一般地，根据人体是否处在静止状态或运动状态，可将人体平衡方式分为静态平衡和动态平衡两种。两类平衡状态均离不开高级神经中枢—大脑的调节作用。大脑是平衡调节的控制器，其对输入的前庭觉、视觉、本体感觉三大感觉进行接收、整合，输出控制指令，精确调控人体平衡。即使在某一种感觉信息输入减少的情况下，大脑也依然能够通过增强其他感觉的获取，补偿甚至代偿部分感觉的缺失。

对于平衡能力的评估是指通过某种方法对人的平衡能力定量或定性地评定等级，从而确定其平衡能力的强弱，其广泛应用于医疗诊断、航空航天等领域。该评估指标表征的是感觉传入、神经控制、肢体的整体协调性。由于衰老、病变等原因，部分人群的平衡能力会有一定程度的改变，因此在对人体健康的评估、平衡障碍的诊断与治疗中，需要对平衡能力进行评估，以确定平衡能力障碍程度从而制定合适的健康锻炼和康复方案。

当前医疗领域中的评估方法以人体平衡的外在表现为基础，而对内在的神经生理调节机制考虑甚少。目前最常用的医用量表评估方法具有较强的主观性；基于足底压力信号(Center Of Pressure，COP)的平衡能力评估尽管是基于客观的检测数据，但并不全面，没有全面反映人体平衡的内在调节机制。人体平衡不仅表现在外在姿态的动态变化，也体现在足底的受力变化上，更和人体大脑的感觉运动神经控制和调节相关。人脑感觉运动的神经控制和调节，与关联脑区的脑电信号(Electroencephalogram，EEG)及其受控肌肉的肌电信号(Electromyogram，EMG)密切相关，因此本发明在考虑了传统COP方法评估要素尚不够全面的基础上，从脑-肌及其相干性角度对平衡相关脑电信号进行分析，构建人体平衡的脑功能网络，研究中枢系统的调节规律，从而为内源角度上评估人体平衡能力提供一种新的方法。

发明内容

为了补足目前人体平衡评估方式的不足，本发明提出了一种基于平衡脑功能网络特征的平衡能力评估方法，从脑-肌相干性角度出发构建了平衡脑功能网络，定义了一种基于视觉和本体感觉缺失情况下脑功能网络应激反应的平衡能力评估指标，由于人体平衡过程中涉及视觉、本体感觉和前庭觉的感觉输入与整合，当平衡相关感觉被阻断后必然会引起中枢运动感觉系统的应激反应。本方法提出了一种通过对比视觉和本体感觉阻断前后的脑功能网络特征的方法，根据被试在正常情况下和应激情况下的平衡特征参数的改变来判别人体平衡能力强弱。首先，采集了被试在正常情况、视觉和本体感觉阻断情况两种场景下的EEG信号，其次对获得的EEG信号进行了预处理以提高信号质量。根据脑-肌耦合相干规律，选择γ信号频段用于建立脑功能网络，并提取了脑功能网络相关特征聚类系数作为平衡评估指标的计算参数，利用聚类系数定义平衡问题在视觉和本体感觉阻断情况下的调节系数，即平衡感觉调节系数：一种新的脑功能网络平衡评估指标。最后以平衡感觉调节系数为基础，制定了一套平衡评估方法。

为实现以上目的，本发明方法主要包含了以下步骤：

步骤1.设计2种对比评估范式，区别在于是否对视觉和本体感觉进行了阻断，在每个范式中采集被试的EEG信号，设计两种对比范式的目的是为了将被试正常情况所表现的平衡指标与在应激情况下的平衡指标作一个比较，通过量化误差的方法对被试平衡的中枢调节能力做出评判，并以此为基础确定人体平衡能力。具体范式条件分类如下：

P1范式：在平衡测力板上睁眼站立。

P2范式：在平衡测力板上加设海绵垫，闭眼，并佩戴不透光眼罩保持站立姿势，同时阻断本体感觉和视觉输入。其中海绵垫厚度：9cm，密度：40g/cm³，质地均匀。

海绵垫能降低足底皮肤机械感受器的敏感度，降低姿态稳定性，是本体感觉阻断的有效手段，由于过厚的海绵垫会导致双足下陷，边缘被海绵围绕，足下与海绵垫重新形成支撑面，达不到本体感觉阻断的效果，因此选择了9cm厚度的海绵垫用于实验。

步骤2.对采集到的EEG数据分别进行预处理操作，具体步骤是：

2-1.对EEG信号进行50Hz的陷波处理，用于消除工频干扰信息；

2-2.然后使用降噪源分离(Denoising Source Separation，DSS)方法对信号中的眼电信号进行消除。

步骤3.选取平衡调节时的EEG信号构建脑功能网络，具体步骤如下：

3-1.确定网络节点的位置。大脑皮层不同功能脑区处理不同方面的信息，研究人员对其进行了分块研究，分区有按照AAL模板116区(Anatomical Automatic Labeling)、Brodmann52区等多种方法。本文选择采集的国际19导联EEG信号对应电极位置作为脑功能网络节点，这些节点是电极所测脑区信息的集中表达。

3-2.计算网络节点各连接边的值。在脑功能网络中，两个节点之间的边代表着两个EEG通道存在一定程度的相关性。定量衡量相关性方法有：皮尔逊相关系数、偏相关、互信息、同步似然等方法。本文选取皮尔逊相关系数度量不同节点的相关性，两个EEG序列X、Y的皮尔逊相关系数计算公式如下：

式(3.1)中，i和j分别表示两个不同网络节点的第i和j个采样点，n代表序列长度，xi和yj分别表示EEG信号在i和j采样点上的数值。R_XY的值越接近于0，表示节点间的联系信息少，相关性弱。计算所有两两节点之间的皮尔逊相关系数，可得到一个对称的互相关矩阵。

3-3.确定阈值。为确立两点之间是否有连接边，在计算出皮尔逊相关系数后，需设置阈值θ对互相关矩阵进行处理，转化为二值矩阵，其判断表达式如下：

式(3.2)中，θ_ij代表了i、j两点的边值。若两点相关系数的绝对值大于阈值θ，则将其值置为1，意味两节点之间存在连接边，有强相干性；若两点相关系数的绝对值小于阈值θ，则将其值置为0，意味两点之间不存在连接边，相干性较弱。若阈值选择过高，连接边数量少，脑网络的完整程度降低，部分重要的脑网络的连接可能消失，给脑网络分析带来影响；若阈值选择过低，可能会将一些相干性较弱的边带入网络，使脑网络的复杂程度升高，无法确保网络的小世界性。综合考虑了网络系统完整性与小世界性的基础上，选择阈值θ为0.7。

步骤4.提取所构建的脑功能网络特征。脑功能网络作为复杂网络，在分析时，常使用图论的方法将其看成是由点集V和边集E组成的图G(V,E)，记节点数量为N，连接边数量为E。通过计算相关的网络特征表述脑网络的生理连接，描述该脑网络的拓扑情况。

依据已有脑肌耦合结果可知在30～50Hz频带范围内EEG信号与调节人体平衡的骨骼肌肉系统有最明显的相干行为，该频段正好落在γ频段内，因此对预处理后的EEG信号进行30～50Hz的带通滤波，得到γ频段的EEG信号。按照步骤3中给出的步骤先计算γ频段对应的19×19互相关矩阵，然后进行阈值处理，再筛去相关性时较弱的边，从而获得一个19×19的二值矩阵，利用二值矩阵绘制出脑功能网络拓扑图，利用该拓扑图进行聚类系数C_i的计算。

4-1.网络聚类系数的提取与计算

聚类系数C_i表示了网络中某一节点与其他节点的连接程度，衡量了与该节点相关网络的复杂程度，若聚类系数低，则表明该节点与整个网络联系不紧密，某种程度上说对网络重要性低。其定义为某一节点实际连接边数量E_i与最多可能存在连接边数量的比值，计算公式如下：

把每个网络节点的聚类系数进行平均整合，得到平均聚类系数CC，计算公式如下：

在脑功能网络中，其表达了整个网络的联系密切程度，若平均聚类系数低，则整个脑网络的信息交互少，各脑区之间联系不紧密。

4-2.人体平衡特征的定义与计算

人体保持平衡的过程是人体从外界获取视觉、前庭觉、本体觉三大感觉，向上传输至大脑皮层进行分析整合，再向下传递控制指令，所以静态平衡主要通过踝关节机制进行调节，在腿部和足底间形成协调动作。平衡问题的脑功能网络特征是反映平衡调节过程中大脑信息交互情况的有效参数，感觉相关脑区聚类系数越低，表明该部分脑区相关感觉输入越少，激活程度越低，即获取的平衡感觉信息少；相关脑区脑网络的平均聚类系数越高，表明当前状态平衡难以维持，需要增强对现有信息的分析，提高决策指令的精确性，只有增强信息整合才有可能保证在困难情况下人体不失衡。但由于信息整合的增强并不能代偿感觉输入的减少，被试在感觉受阻的情况下(如P2范式)表现出平衡能力的减弱。

平衡相关感觉输入信息的获取能力、信息整合能力都是人体平衡能力的有机组成，前者提供所需平衡信息的输入，后者整合了感觉信息，两者对于最终人体平衡能力的评估都有着重要的影响作用。但目前还未有效发掘综合考虑两者关系的平衡指标，因此本专利中提出了一种融合了信息获取和信息整合能力的平衡评估指标，把平衡能力统一在相同当量的信息整合能力平台之上，对比感觉获取能力的强弱。

因此，引入平衡感觉调节特征向量D反映感觉输入整合相关的脑功能网络特征。

平衡感觉调节特征向量D定义为：

D＝[D₁,D₂] (4.3)

其中，

为视觉调节系数，

为本体感觉调节系数，CC₁、CC₂、CC₃分别为脑功能网络枕叶区、中央区、额叶区的聚类系数。

(4.3)公式的意义是将感觉信息获取能力置于相同当量的信息整合能力下，衡量平衡能力的强和弱，其物理意义表述为，额叶区的聚类系数反映了运动及其规划相关的脑功能连接整合；枕叶区的聚类系数反映了视觉相关的脑功能连接整合；中央区的聚类系数反映了本体感觉和运动相关的脑功能连接整合。整合相关特征和平衡协调整体特征，得到用于解决平衡评估问题的脑功能网络特征向量[D₁,D₂]。

步骤5.平衡等级分类。为了得到合理的等级分类阈值，需要在计算大量实验样本的基础上再辅以一种技术较为成熟的平衡检测方法来作参考等级制定标准。因此P1、P2实验范式都加了平衡测力板，相当于对实验中的被试再一次进行了基于COP综合特征的测定，而实际应用本发明评估人体平衡能力的强弱仅需要足底海绵垫和脑电采集仪。以COP评价的结果作为参考并结合实际被试年龄因素等，最终确定了人体应急平衡能力等级分类标准，如表1所示。

表1平衡感觉系数与COP综合特征平衡评估等级对照表

表中：

ΔD₁＝|D₁_P1-D₁_P2|；为视觉调节系数的范式间差别。

ΔD₂＝|D₂_P1-D₂_P2|；为本体感觉调节系数的范式间差别。

u_q为各个COP特征的方差贡献率，F的计算中包含了重心移动轨迹长(Lng)、轨迹面积(Area)、单位面积轨迹长(Lng·Area^-1)、左右动摇径和前后动摇径4种COP具体特征参数。

本发明对比传统COP信号的平衡分析方法，本方法有着不受被试主观性影响、具有较高的确定性等特点。

附图说明

图1为实验进程示意图；

图2为实验中EEG采集时序图；

图3为青年人脑功能网络连通图；

图4为老年人脑功能网络连通图。

具体实施方式

下面结合附图1对本发明的实施例作详细说明。

本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

实施范式和实验环境说明：

Q1范式:被试赤足站立在水平地面，双足位置平行且相距10cm距离，两手自然垂于两腿侧，保持自然平衡，此足位已被证明能增加姿态稳定性，利于测试的完成。测试开始时，发出提示音“开始”，并触发同步采集信号，测试过程中被试尽量维持平衡，在测试的过程中被试需两眼平视与眼同高的参照物。

Q2范式：选用厚9cm的海绵垫(密度为40g/cm³，质地均匀),使被试按照Q1范式中姿势赤足站立于海绵垫之上，同时通过佩戴眼罩来阻断被试的视觉输入，使人体在本体感觉与视觉同时被阻断的情况下进入应激平衡调整状态，并在此时采集EEG信号。

被试组成：青年组10人，年龄22±3，男女各5人，老年组10人，年龄65±10，男女各5人。

为降低环境因素对实验设备精度的影响，本实验采集数据的时段均选择在上午，实验采集环境温度为20±4℃。

本实施例包括如下步骤：

步骤一：分别采集在2种实验范式下被试的EEG信号。

按附图2采集EEG信号。

每个被试按照Q1与Q2范式进行测试，每种范式下分别采集10组1min长度的数据。为避免被试长时间站立产生疲劳影响实验结果，在每组数据采集完成后，被试需坐下休息3min，待恢复体力后再完成下一组测试。测试过程中被试被要求限制任何无用动作，如：咬牙、面部表情，以防止伪迹的引入，若发生咳嗽、视线离开参照物、环境嘈杂等干扰事件，则将该次测试数据作废，在休息后进行重测。

步骤二：对步骤一中获得的完整EEG信号进行滤波预处理以得到更高质量的生物电信号；

步骤三：对预处理后的两种实验范式EEG信号进行30～50Hz带通滤波处理，作为脑功能网络构建的数据源，选择阈值水平为0.7，对于未到达阈值的边界进行删除，最终得到完整的脑功能网络连通图。附图3是5号青年人的脑功能网路连通图；附图4是5号老年人的脑功能网路连通图。

步骤四：按照国际19导联图的划分方式，本文分别提取了枕叶区、中央区、额叶区的脑功能网络特征向量。各脑区的电极为：枕叶区：O1、O2、PZ、P7、P3、P4、P8；中央区：T7、C3、CZ、C4、T8、PZ、FZ；额叶区：F7、F3、PZ、F4、F8、FP1、FP2。为避免中央区网络节点数过少，本文将FZ、PZ两节点也纳入中央区脑网络。网络特征提取是所有步骤中最为关键的一步，首先由步骤三中得到的脑功能网络拓扑图计算计算枕叶区、中央区、额叶区的聚类系数并计算平衡感觉调节系数D₁、D₂，将两种感觉调节系数前后变化的标准差作为该网络的人体平衡评估特征参数。由该参数来对被试的平衡能力进行评估，测试结果表明该指标确实具有良好的区分作用。

利用本方法对实际采集得到的20组数据进行了应激情况下的平衡能力评估，其中前10组数据均为从健康青年组中采集所得，后10组数据从老年组中采集而得，评估结果见表2.表2评估结果

由结果可知，本文提出的平衡问题的脑功能网络特征具有良好的评估准确性，在平衡能力较好的青年组人群中分类结果与实际情况有较高的符合度。在老年组，该方法也未出现明显的错分现象，均体现出该种新型平衡特征具有较好的分类效果。总体看来，通过应激反应的平衡脑功能网络特征能较好地刻画不同平衡能力的人群各脑区活动规律，对人体平衡能力的分类精度不亚于传统COP特征参数，两者给出的分类有较高的一致性，因此本方法可适用于不同人群和个体的平衡能力评估。

Claims (2)

1.一种基于平衡脑功能网络特征的平衡能力评估方法，其特征在于：从脑-肌相干性角度出发构建了平衡脑功能网络，定义了一种基于视觉和本体感觉缺失情况下脑功能网络应激反应的平衡能力评估指标；该方法包括如下步骤：

步骤1.设计两种对比评估范式，一种为正常测试，另一种对视觉和本体感觉进行了阻断，在每个范式中采集被试的EEG信号，设计两种对比范式的目的是为了将被试正常情况所表现的平衡指标与在应激情况下的平衡指标作一个比较，通过量化误差的方法对被试平衡的中枢调节能力做出评判，并以此为基础确定人体平衡能力；

步骤2.对采集到的EEG数据使用降噪源分离方法和50Hz陷波方法进行预处理操作；

步骤3.保证网络系统完整性和小世界特性的基础上选择边界阈值θ＝0.7，以此构建平衡调节时脑功能网络；

步骤4.提取所构建的脑功能网络特征；脑功能网络作为复杂网络，在分析时，使用图论的方法将其看成是由点集V和边集E组成的图G(V,E)，记节点数量为N，连接边数量为E，通过计算相关的网络特征表述脑网络的生理连接，描述该脑网络的拓扑情况；利用拓扑图进行聚类系数C_i的计算；并对人体平衡特征进行计算；

人体平衡特征进行计算具体为：

引入平衡感觉调节特征向量D反映感觉输入整合相关的脑功能网络特征；

平衡感觉调节特征向量D定义为：

D＝[D₁,D₂] (4.3)

其中，

为视觉调节系数，

为本体感觉调节系数，CC₁、CC₂、CC₃分别为脑功能网络枕叶区、中央区、额叶区的聚类系数；

步骤5.平衡等级分类；

为了得到合理的等级分类阈值，需要在计算大量实验样本的基础上再辅以一种技术较为成熟的平衡检测方法来作参考等级制定标准；以COP评价的结果作为参考并结合实际被试年龄因素等，最终确定了人体应急平衡能力等级分类标准，具体内容如下：

表1平衡感觉系数与COP综合特征平衡评估等级对照表

表中：

ΔD₁＝|D₁_P1-D₁_P2|；为视觉调节系数的范式间差别；

ΔD₂＝|D₂_P1-D₂_P2|；为本体感觉调节系数的范式间差别；

u_q为各个COP特征的方差贡献率，F的计算中包含了重心移动轨迹长(Lng)、轨迹面积(Area)、单位面积轨迹长(Lng·Area^-1)、左右动摇径和前后动摇径4种COP具体特征参数。

2.根据权利要求1所述的一种基于平衡脑功能网络特征的平衡能力评估方法，其特征在于步骤4所述的利用拓扑图进行聚类系数C_i的计算，具体过程如下：

聚类系数C_i表示了网络中某一节点与其他节点的连接程度，衡量了与该节点相关网络的复杂程度，若聚类系数低，则表明该节点与整个网络联系不紧密，某种程度上说对网络重要性低；其定义为某一节点实际连接边数量E_i与最多可能存在连接边数量的比值，计算公式如下：

把每个网络节点的聚类系数进行平均整合，得到平均聚类系数CC，计算公式如下：

在脑功能网络中，其表达了整个网络的联系密切程度，若平均聚类系数低，则整个脑网络的信息交互少，各脑区之间联系不紧密。

Images