CN113598790A - 基于听觉刺激的意识障碍脑功能网络的意识评估方法 - Google Patents
基于听觉刺激的意识障碍脑功能网络的意识评估方法 Download PDFInfo
- Publication number
- CN113598790A CN113598790A CN202110789780.2A CN202110789780A CN113598790A CN 113598790 A CN113598790 A CN 113598790A CN 202110789780 A CN202110789780 A CN 202110789780A CN 113598790 A CN113598790 A CN 113598790A
- Authority
- CN
- China
- Prior art keywords
- network
- consciousness
- stimulation
- brain
- brain function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000638 stimulation Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003925 brain function Effects 0.000 title claims abstract description 50
- 210000004556 brain Anatomy 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000284 resting effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000037007 arousal Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 206010001854 Altered state of consciousness Diseases 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 13
- 230000006378 damage Effects 0.000 abstract description 7
- 208000027418 Wounds and injury Diseases 0.000 abstract description 3
- 208000014674 injury Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 208000022540 Consciousness disease Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 201000000251 Locked-in syndrome Diseases 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 235000010254 Jasminum officinale Nutrition 0.000 description 1
- 240000005385 Jasminum sambac Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000004979 auditory behavior Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于生物医学信息应用技术领域,具体涉及基于听觉刺激的意识障碍脑功能网络的意识评估方法。本发明使用度量连通性的PLI方法,在减少容积效应影响的同时建立功能连接网络,更好地刻画了意识在大脑中的网络属性。同时,连通性地方法也在一定程度上减少了脑区损伤带来地影响。本发明使用音乐刺激状态,以及刺激前后的脑电信号,构建出三种状态下的脑功能网络。分别计算多种网络属性,使用网络特征的动态变化评估意识状态。本发明具有能够为医生提供包括随时间变化的脑功能连接网络、网络参数,以及差异化网络在内的多种网络指标辅助临床诊断的特点。
Description
技术领域
本发明属于生物医学信息应用技术领域,具体涉及基于听觉刺激的意识障碍脑功能网络的意识评估方法。
背景技术
意识障碍(disturbance of consciousness,DOC)患者在临床上根据意识水平的不同被划分为无反应觉醒综合征(unresponsive wakefulness syndrome,UWS)和最低意识状态(minimally consciousness state,MCS)。近年来临床上又根据语言理解能力的存在与否,又将最低意识状态细分为MCS+和MCS-。对于患者意识状态的准确评估,关系到治疗方向的选择和具体治疗措施的制订,在提高患者治愈率和生活指标方面有着重要价值。
临床上评估患者意识水平的方法,主要通过评估患者对于外部刺激的反应,应用行为量表来进行。但是由于部分神经回路的损伤,我们可能无法从这样指令应答体系中,完整地评估患者的意识水平。也即患者可能无法正确理解指令,或者由于注意力缺陷无法长期遵循范例,从而影响医生对于患者意识水平的正确评估。在被诊断为UWS的患者中存在40%以上的误诊率,对于如闭锁综合症(locked-in syndrome,LIS)等与UWS患者有着相似临床表现的患者,临床量表方法的辨识能力较差。借助大脑成像技术,如脑电图(EEG)、功能核磁共振成像(fMRI)和正电子发射断层扫描技术(PET)等在意识障碍患者诊断当中有着较多应用。其中,脑电不仅具有较高的时间分辨率高,同时获取难度较低。在患者接受范式刺激时,可以更容易地采集信号,和捕捉瞬时地意识变化。
现有的应用于意识障碍诊断的静息态脑电分析方法,主要包括在功率谱、非线性和时域分析方法。这些方法主要是针对孤立的脑区分析,缺乏对不同功能脑区功能连接和整体网络层面的评价。由于大脑在结构上也具有网络特性,即从神经元到大脑的组成具备多个不同层级的网络连接。已有的研究也表明大脑网络是个复杂网络,具有小世界性。所以,用脑电构建大脑的功能连接网络,能够用于评估大脑结构性网络的特性。同时,部分脑区的损伤对于孤立特征可能有较大影响,但是脑区的功能连接只要存在真实的同步性活动,就能计算出功能连接。使用脑网络可以从一定程度上避免脑区损伤对意识评价的影响。有研究表明意识可能与大脑整体的代谢水平并不密切相关,而与大脑额顶网络的保存有关。因而,应用脑功能网络方法在评估意识水平、寻找意识生物指标进而辅助诊断方面有着巨大的潜力和研究价值。
现有的临床听觉范式在意识障碍诊断当中,仍具有重要作用。为了避免指令应答范式的问题,我们采用包括音乐刺激在内的听觉刺激手段,来诱发增强患者可能存在的意识活动。通过比较在刺激范式当中增强的子网络连接和特征变化,得出患者意识状态的生物指标。
因此,设计一种结合听觉音乐刺激方法,绘制出刺激前后变化的脑网络连接图和计算相应脑网络参数,并使用网络统计分析方法检验出刺激前后发生显著变化的功能子网络,并使用这些变化的网络和网络特征,判断意识对声音及音乐的感知强度,从而分析患者的意识状态的方法,就显得十分必要。具体包括患者处于MCS和UWS,以及MCS+和MCS-的区分,为临床的评估诊断提供参考。
例如,申请号为CN201910150296.8的中国发明专利所述的一种基于脑电信号的意识障碍诊断方法,采集了患者静息态的脑电信号,其中脑电信号包括了多个位于不同位置的电极信号,该方法计算了各个通道的样本熵、近似熵、排列熵和复杂度LZC四个非线性特征用于意识障碍的患者的分类诊断,而这四个参数的计算只依赖于当前通道,损伤区问题未被考虑。
又例如,申请号为CN202010730043.0的中国发明专利所述的能对意识障碍患者进行听觉行为评估的脑机接口系统,使用了视听刺激,同时记录意识障碍患者的脑电数据,提取刺激事件诱发的脑电信号,事件相关电位(ERP)进行分析。用以分析患者是否因为声音刺激产生反应,辅助医生进行临床行为量表评估。但不足之处在于,特征较为简单,主要检查是否产生特定的ERP。
又例如,申请号为CN201611239707.3的中国发明专利所述的基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法,使用核磁共振数据构建脑功能网络,不是意识状态的评估,而是对于患者恢复可能性的预测。使用了独特的“加权组稀疏”算法构建脑功能连接矩阵。不过此方法同样采用的是静息态的数据进行分析,考虑到临床上是采用刺激后观察患者状态进行意识评分。静息态下患者的意识活动可能趋同性差,从而存在误差。
又例如,申请号为CN202010725801.X的中国发明专利所述的用于脑损伤后的脑机交互闭环康复训练方法,同样采用了脑网络构建方法,使用的网络计算指标相同,都是相位滞后指数PLI。但不足之处在于虽然使用了阈值S5来稀疏化网络,但后续没有对脑网络进行分析,缺乏评估内容。
发明内容
本发明是为了克服现有技术中,现有脑电意识评估依赖孤立的脑区特征,无法描述不同脑区功能的连通性以及网络特性,不能从复杂网络角度区分意识水平以及现有脑电意识评估方法多使用静息态的数据进行分类,意识特征可能并不明显的问题,提供了一种能够为医生提供包括随时间变化的脑功能连接网络、网络参数,以及差异化网络在内的多种网络指标辅助临床诊断的基于听觉刺激的意识障碍脑功能网络的意识评估方法。
为了达到上述发明目的,本发明采用以下技术方案:
基于听觉刺激的意识障碍脑功能网络的意识评估方法,包括以下步骤:
S1,采集听觉或音乐刺激脑电信号:医护人员使用电极数不少于64导连接的脑电采集设备采集患者静息态脑电信号,实时观察脑电波形,采集脑电信号记录不少于5分钟;接着采集声音或音乐刺激下的脑电信号不少于5分钟,最后采集音乐刺激后的脑电信号5分钟;对采集的脑电信号分别作好标记;
S2,脑电信号的预处理:对步骤S1中采集的所有脑电信号去除基线漂移,并排除无效和非脑部电极,取剩余电极的平均值作为参考脑电信号;对所述参考脑电信号依次进行50Hz的陷波滤波去除工频、0.5Hz的高通滤波和80Hz的低通滤波;将滤波后的脑电信号数据降采样到256Hz后,使用独立成分分析ICA去除脑电信号中的眼电眼动成分和肌电伪影,再进行目视检查,进一步剔除伪影;
S3,数据分段分频:使用小波包变换将经过步骤S2处理后的数据过滤成三个典型的频带进行分析计算,包括θ、β和γ波段;同时对步骤S2处理后的数据加时间窗口,所述时间窗口大小不少于10秒,每个时间窗口中拥有3个频段的数据;
S4,对从步骤S3中获得的每个频段每个数据段的脑电数据,分别计算脑功能网络;
S5,对步骤S4计算构建的脑功能网络分别计算网络参数;
S6,取步骤S1中患者静息态、声音或音乐刺激下和音乐刺激后脑电信号的数据段,并按照步骤S4的方法计算邻接矩阵后,根据状态不同分为刺激前、声音或音乐刺激中、刺激后三组脑功能网络;
S7,网络参数分析,分析刺激前、声音或音乐刺激中、刺激后三组脑功能网络之间不同网络参数的变化;
S8,根据步骤S5中获得的患者静息态、声音或音乐刺激下和音乐刺激后三个状态不同波段下的网络参数,并结合步骤S6中产生变化的脑功能网络,分析患者当前的意识状态;
S9,输出每个时间窗口下的脑功能网络构建结果,通过稀疏化处理邻接矩阵后构建可视化的大脑功能网络,提供给医生进行临床诊断。
作为优选,步骤S4包括如下步骤:
S41,将每个有效电极作为大脑网络节点,通过计算节点间的连通性作为网络的边,从而构建出包含节点和连接边在内的邻接矩阵;
S42,根据采集时的标记,划分为三种状态下的脑电信号,包括刺激前、声音或音乐刺激中和刺激后;
S43,使用基于相位差的相位滞后指数PLI来计算节点之间的连通性。
作为优选,步骤S5中所述网络参数包括:
节点度D:网络中的节点度是描述的节点重要性的重要指标,通过一个节点的最短路径数目或权重和即为所述节点的节点度;
全局效率E:网络在远距离节点之间互连和传输信息的能力的度量;
聚类系数C:用来量度网络的局部信息传输能力。
作为优选,步骤S6还包括如下步骤:
应用基于网络统计工具箱NBS的方法,检验任意两组脑功能网络的差异性:
对所有的连接进行单变量t检验;将检验结果超过设定阈值的连接发现出来,作为一个连通分量;通过5000次非参数置换检验,计算连通分量经过FWER矫正后的P值,从而发现产生显著变化的子网络。
作为优选,步骤S7中还包括如下步骤:
通过比较患者在刺激前、声音或音乐刺激中、刺激后的脑电信号变化,分析患者意识的觉醒程度。
作为优选,步骤S8中所述患者当前的意识状态区分为MCS+、MCS-以及UWS状态。
作为优选,步骤S3中,θ为4-8Hz波段、β为13-30Hz波段、γ为30-80Hz波段。
作为优选,步骤S1过程中,采样频率不低于1000Hz;每个电极阻抗不高于5kΩ。
本发明与现有技术相比,有益效果是:本发明提供了一种结合无应答声音刺激范式和脑电脑网络分析方法,用以评估意识障碍患者的意识状态。
相比于频谱、非线性方法等孤立的脑区特征,使用连通性度量的PLI方法,在减少容积效应影响的同时建立功能连接网络,更好地刻画了意识在大脑中的网络属性。同时,连通性地方法也在一定程度上减少了脑区损伤带来地影响。
本发明使用音乐刺激状态,以及刺激前后的脑电信号,构建出三种状态下的脑功能网络。分别计算多种网络属性,使用网络特征的动态变化评估意识状态。
在网络特征的基础上,为了更好的体现大脑活动的特点,使用了网络统计的方法,检验不同状态之间发生变化的脑网络。
附图说明
图1为本发明基于听觉刺激的意识障碍脑功能网络的意识评估方法的一种流程图;
图2为刺激前状态下的PLI网络权重矩阵的一种结果示意图;
图3为声音或音乐刺激下的PLI网络权重矩阵的一种结果示意图;
图4为刺激后状态下的PLI网络权重矩阵的一种结果示意图;
图5为音乐刺激前后MCS组在γ频段发生显著变化的子网络的一种结构示意图;
图6为γ和θ波段网络参数计算结果及差异性的一种结果示意图;
图7为声音或音乐刺激下,健康组HC、患者组MCS和患者组UWS在β波段的聚类系数分布的一种结果示意图;
图8为MCS+状态患者和MCS-状态患者在γ波段的网络参数变化的一种结果示意图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例1:
如图1所示的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其中序号为方法部分对应的步骤,包括以下步骤:
S1,采集听觉或音乐刺激脑电信号:本实施采集的对象包括17位处于UWS和39位处于MCS状态的意识障碍患者。其中根据有无根据语言理解能力的存在与否,最低限度意识状态MCS患者,又分别被细分为MCS+和MCS-两组。采集EEG脑电信号使用的是Activetwo脑电采集仪系统,采样频率为2048Hz。按照国际10/20标准系统安放头皮电极,共有64个导联。在实际安放电极过程当中,保持电极电阻小于5kΩ。采集过程中保持安静,患者保持闭眼或者在室内黑暗环境中进行。保持一段安静状态不少于5分钟,是患者适应环境,此过程不进行脑电的采集;然后,开始采集静息态脑电5分钟。接着采集声音或音乐刺激下的脑电活动,选用传统民乐《茉莉花》作为刺激音乐,主要考虑该音乐旋律舒缓贴近大部分被试的生活文化背景。最后采集音乐后的脑电5分钟,刺激前后都在脑电记录当中设置标记;
S2,脑电信号的预处理:对步骤S1中采集的所有脑电信号去除基线漂移,并排除无效和非脑部电极,取剩余电极的平均值作为参考脑电信号;对所述参考脑电信号依次进行50Hz的陷波滤波去除工频、0.5Hz的高通滤波和80Hz的低通滤波;将滤波后的脑电信号数据降采样到256Hz后,使用独立成分分析ICA去除脑电信号中的眼电眼动成分和肌电伪影,再进行目视检查,进一步剔除伪影;
S3,数据分段分频:使用小波包变换将经过步骤S2处理后的数据过滤成三个典型的频带进行分析计算,包括θ、β和γ波段;同时对步骤S2处理后的数据加时间窗口,所述时间窗口大小不少于10秒,每个时间窗口中拥有3个频段的数据;
其中,θ为4-8Hz波段、β为13-30Hz波段、γ为30-80Hz波段;
S4,对从步骤S3中获得的每个频段每个数据段的脑电数据,分别计算脑功能网络;
将每个有效电极作为大脑网络节点,通过计算节点间的连通性作为网络的边,从而构建出包含节点和连接边在内的邻接矩阵。然后根据采集时的标记,划分为三种状态下的脑电信号,包括刺激前、声音或音乐刺激中和刺激后。为了衡量大脑皮层间神经振荡活动的交互性强度,排除容积传导效应的影响,使用基于相位差的相位滞后指数(PLI)来计算节点之间的连通性。
对于时间序列的脑电信号,首先需要通过频域转换方法计算两个通道信号之间的瞬时相位时间序列,在此基础上计算相位同步指标PLI。具体计算过程如下:
对于脑电的一个电极所记录时间序列信号X(t)进行希尔伯特变换,得到它的解析信号:Z(t)=X(t)+iXH(t)
其中XH(t)为该时间序列的希尔伯特变换,计算过程如下:
可以根据解析信号,计算瞬时波幅Ax(t)和瞬时相位φx(t):
其中,tn为时间点,sign为符号函数。
PLI指数的值在0到1之间,0表示两个信号没有耦合,或者相位差为0或π,1则表示两个信号之间完全的相位同步,且恒定的相位差不为0或π。
建立的MCS状态患者γ波段的邻接矩阵(PLI网络权重矩阵)如图2至图4所示,在音乐刺激的不同阶段响应程度和区域有所不同。其中,图2至图4的横纵坐标代表脑电的电极通道名称,颜色的深浅表示功能连接的强弱。
S5,对步骤S4计算构建的脑功能网络分别计算网络参数;
任意两个通道的PLI计算结果即为权值wij。这排除了阈值选取处理网络的困难性,采用适用于权重网络的网络参数计算方法,也可以得到相应的网络属性;
计算网络参数包括:
节点度D:网络中的节点度是描述的节点重要性的重要指标,通过一个节点的最短路径数目即为所述节点的节点度,对于权重网络i节点的节点度ki的定义如下:
ki=∑j∈Nwij;
全局效率E:图在远距离节点之间互连和传输信息的能力的度量;对于权重网络被定义为从每个节点到所有其他节点的最短路径长度的倒数的平均值,其数学表达式为:
聚类系数C:用来量度网络的局部信息传输能力,对于权重网络其定义如下:
对各状态的权重脑功能网络平均后,取音乐状态下各频段的网络参数计算结果。以聚类系数为例,如图6所示,与健康人相比意识障碍患者在低频段表现出更高的网络参数,且在Theta波段表现出的差异最为显著(P<0.01)。图6中,HC为健康对照、MCS和UWS是两种意识障碍患者,纵坐标是网络参数的一种—聚类系数。**表示显著性P<0.05,***表示显著性P<0.01。
S6,取步骤S1中患者静息态、声音或音乐刺激下和音乐刺激后脑电信号的数据段,并按照步骤S4的方法计算邻接矩阵后,根据状态不同分为刺激前、声音或音乐刺激中、刺激后三组脑功能网络;
应用基于网络统计工具箱NBS的方法,检验任意两组脑功能网络的差异性:
对所有的连接进行单变量t检验;将检验结果超过设定阈值的连接发现出来,作为一个连通分量;通过5000次非参数置换检验,计算连通分量经过FWER矫正后的P值,从而发现产生显著变化的子网络。比较音乐前后MCS在γ频段显著变化的子网络如图5所示。其中标注的网络,是在音乐刺激后显著增强的连接。
S7,网络参数分析,分析刺激前、声音或音乐刺激中、刺激后三组脑功能网络之间不同网络参数的变化;
通过比较患者在听觉或音乐刺激前中后的脑电变化,分析患者意识的觉醒程度。较高的网络激发往往提示较强的音乐和声音感知能力,这与患者意识的觉醒强度有关。刺激后网络强度的增加,或者差异子网络的维持,则在某种程度上体现了自主意识的活动。此外,研究变化子网络在整个脑区当中的分布的数量和范围,如额顶叶的连接等,可以发现患者的自主意识的活动。如图5所示,音乐刺激下MCS患者的增强的网络连接主要为长连接,且覆盖了额顶叶区域。
S8,根据步骤S5中获得的患者静息态、声音或音乐刺激下和音乐刺激后三个状态不同波段下的网络参数,并结合步骤S6中产生变化的脑功能网络,分析患者当前的意识状态;
所述患者当前的意识状态区分为MCS+、MCS-以及UWS状态;与健康人相比意识障碍患者在低频段表现出更高的网络参数,且在Theta波段表现出差异最为显著(P<0.01)。而在高频段Gamma波段,意识障碍病人表现出更低的网络参数。如图7所示,UWS患者在β波段表现出显著偏低的网络聚类系数。如图8所示,观察音乐后的γ段的网络参数变化则可以区分MCS患者的意识状态好坏。从图8可以看到在音乐刺激后,意识状态更好的MCS+患者在γ波段表现出更高的聚类系数。**表示显著性P<0.05。
S9,输出每个时间窗口下的脑功能网络构建结果,通过稀疏化处理邻接矩阵后构建可视化的大脑功能网络,提供给医生进行临床诊断。
本发明相比于频谱、非线性方法等孤立的脑区特征,使用度量连通性的PLI方法,在减少容积效应影响的同时建立功能连接网络,更好地刻画了意识在大脑中的网络属性。同时,连通性地方法也在一定程度上减少了脑区损伤带来地影响。
已有的脑电意识评估方法多使用静息态的数据进行分类,意识特征可能并不明显。而反馈式的指令应答范式,也存在对有意识活动,但部分运动感知受损的病人无法辨别的问题。所以,本发明使用音乐刺激状态,以及刺激前后的脑电信号,构建出三种状态下的脑功能网络。分别计算多种网络属性,使用网络特征的动态变化评估意识状态。
在网络特征的基础上,为了更好的体现大脑活动的变化特点,使用了网络统计的方法,检验不同状态之间发生变化的脑网络。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (8)
1.基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,包括以下步骤:
S1,采集听觉或音乐刺激脑电信号:医护人员使用电极数不少于64导连接的脑电采集设备采集患者静息态脑电信号,实时观察脑电波形,采集脑电信号记录不少于5分钟;接着采集声音或音乐刺激下的脑电信号不少于5分钟,最后采集音乐刺激后的脑电信号5分钟;对采集的脑电信号分别作好标记;
S2,脑电信号的预处理:对步骤S1中采集的所有脑电信号去除基线漂移,并排除无效和非脑部电极,取剩余电极的平均值作为参考脑电信号;对所述参考脑电信号依次进行50Hz的陷波滤波去除工频、0.5Hz的高通滤波和80Hz的低通滤波;在将滤波后的脑电信号数据降采样到256Hz后,使用独立成分分析ICA去除脑电信号中的眼电眼动成分和肌电伪影,再进行目视检查,进一步剔除伪影;
S3,数据分段分频:使用小波包变换将经过步骤S2处理后的数据过滤成三个典型的频带进行分析计算,包括θ、β和γ波段;同时对步骤S2处理后的数据加时间窗口,所述时间窗口大小不少于10秒,每个时间窗口中拥有3个频段的数据;
S4,对从步骤S3中获得的每个频段每个数据段的脑电数据,分别计算脑功能网络;
S5,对步骤S4计算构建的脑功能网络分别计算网络参数;
S6,取步骤S1中患者静息态、声音或音乐刺激下和音乐刺激后脑电信号的数据段,并按照步骤S4的方法计算邻接矩阵后,根据状态不同分为刺激前、声音或音乐刺激中、刺激后三组脑功能网络。
S7,网络参数分析,分析刺激前、声音或音乐刺激中、刺激后三组脑功能网络之间不同网络参数的变化;
S8,根据步骤S5中获得的患者静息态、声音或音乐刺激下和音乐刺激后三个状态不同波段下的网络参数,并结合步骤S6中产生变化的脑功能网络,分析患者当前的意识状态;
S9,输出每个时间窗口下的脑功能网络构建结果,通过稀疏化处理邻接矩阵后构建可视化的大脑功能网络,提供给医生进行临床诊断。
2.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S4包括如下步骤:
S41,将每个有效电极作为大脑网络节点,通过计算节点间的连通性作为网络的边,从而构建出包含节点和连接边在内的邻接矩阵;
S42,根据采集时的标记,划分为三种状态下的脑电信号,包括刺激前、声音或音乐刺激中和刺激后;
S43,使用基于相位差的相位滞后指数PLI来计算节点之间的连通性。
3.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S5中所述网络参数包括:
节点度D:网络中的节点度是描述的节点重要性的重要指标,通过一个节点的最短路径数目或权重和即为所述节点的节点度;
全局效率E:网络在远距离节点之间互连和传输信息的能力的度量;
聚类系数C:用来量度网络的局部信息传输能力。
4.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S6还包括如下步骤:
应用基于网络统计工具箱NBS的方法,检验任意两组脑功能网络的差异性:
对所有的连接进行单变量t检验;将检验结果超过设定阈值的连接发现出来,作为一个连通分量;通过5000次非参数置换检验,计算连通分量经过FWER矫正后的P值,从而发现产生显著变化的子网络。
5.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S7中还包括如下步骤:
通过比较患者在刺激前、声音或音乐刺激中、刺激后的脑电信号变化,分析患者意识的觉醒程度。
6.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S8中所述患者当前的意识状态区分为MCS+、MCS-以及UWS状态。
7.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S3中,θ为4-8Hz波段、β为13-30Hz波段、γ为30-80Hz波段。
8.根据权利要求1所述的基于听觉刺激的意识障碍脑功能网络的意识评估方法,其特征在于,步骤S1过程中,采样频率不低于1000Hz;每个电极阻抗不高于5kΩ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789780.2A CN113598790A (zh) | 2021-07-13 | 2021-07-13 | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789780.2A CN113598790A (zh) | 2021-07-13 | 2021-07-13 | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113598790A true CN113598790A (zh) | 2021-11-05 |
Family
ID=78337497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110789780.2A Pending CN113598790A (zh) | 2021-07-13 | 2021-07-13 | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113598790A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114557708A (zh) * | 2022-02-21 | 2022-05-31 | 天津大学 | 基于脑电双特征融合的体感刺激意识检测装置和方法 |
CN115670483A (zh) * | 2022-11-09 | 2023-02-03 | 上海诺诚电气股份有限公司 | 一种患者意识障碍程度监测预警系统及方法 |
CN116458869A (zh) * | 2023-04-13 | 2023-07-21 | 华南师范大学 | 基于视觉脑网络的意识检测方法、系统、设备及介质 |
CN116823813A (zh) * | 2023-08-28 | 2023-09-29 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
WO2024040423A1 (zh) * | 2022-08-23 | 2024-02-29 | 北京太阳电子科技有限公司 | 基于脑电图的急性意识障碍预后评估方法、装置、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147281A (zh) * | 2015-08-25 | 2015-12-16 | 上海医疗器械高等专科学校 | 便携式意识障碍刺激促醒与评估系统 |
CN108354605A (zh) * | 2017-12-20 | 2018-08-03 | 佛山科学技术学院 | 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法 |
CN110495880A (zh) * | 2019-08-16 | 2019-11-26 | 杭州电子科技大学 | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 |
CN111012337A (zh) * | 2019-12-13 | 2020-04-17 | 燕山大学 | 基于脑网络和正则化判别分析的脑电分析方法 |
CN112604163A (zh) * | 2020-12-30 | 2021-04-06 | 杭州电子科技大学 | 一种基于经颅直流电刺激的辅助记忆系统 |
CN112914587A (zh) * | 2021-02-18 | 2021-06-08 | 郑州大学 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
-
2021
- 2021-07-13 CN CN202110789780.2A patent/CN113598790A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147281A (zh) * | 2015-08-25 | 2015-12-16 | 上海医疗器械高等专科学校 | 便携式意识障碍刺激促醒与评估系统 |
CN108354605A (zh) * | 2017-12-20 | 2018-08-03 | 佛山科学技术学院 | 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法 |
CN110495880A (zh) * | 2019-08-16 | 2019-11-26 | 杭州电子科技大学 | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 |
CN111012337A (zh) * | 2019-12-13 | 2020-04-17 | 燕山大学 | 基于脑网络和正则化判别分析的脑电分析方法 |
CN112604163A (zh) * | 2020-12-30 | 2021-04-06 | 杭州电子科技大学 | 一种基于经颅直流电刺激的辅助记忆系统 |
CN112914587A (zh) * | 2021-02-18 | 2021-06-08 | 郑州大学 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
Non-Patent Citations (1)
Title |
---|
SRIVAS CHENNU等: "Spectral Signatures of Reorganised Brain Networks in Disorders of Consciousness", PLOS COMPUTATIONAL BIOLOGY, pages 1 - 14 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114557708A (zh) * | 2022-02-21 | 2022-05-31 | 天津大学 | 基于脑电双特征融合的体感刺激意识检测装置和方法 |
WO2024040423A1 (zh) * | 2022-08-23 | 2024-02-29 | 北京太阳电子科技有限公司 | 基于脑电图的急性意识障碍预后评估方法、装置、介质 |
CN115670483A (zh) * | 2022-11-09 | 2023-02-03 | 上海诺诚电气股份有限公司 | 一种患者意识障碍程度监测预警系统及方法 |
CN116458869A (zh) * | 2023-04-13 | 2023-07-21 | 华南师范大学 | 基于视觉脑网络的意识检测方法、系统、设备及介质 |
CN116458869B (zh) * | 2023-04-13 | 2024-03-26 | 华南师范大学 | 基于视觉脑网络的意识检测方法、系统、设备及介质 |
CN116823813A (zh) * | 2023-08-28 | 2023-09-29 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
CN116823813B (zh) * | 2023-08-28 | 2023-12-01 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113598790A (zh) | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 | |
Fraser et al. | Automated biosignal quality analysis for electromyography using a one-class support vector machine | |
Henderson et al. | Development and assessment of methods for detecting dementia using the human electroencephalogram | |
JP5203215B2 (ja) | 脳波(eeg)測定値を使って抑うつおよびその他の気分障害を分析し、評価するシステムおよび方法 | |
Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
EP1216656B1 (en) | Method and apparatus for estimating degree of neuronal impairment in brain cortex | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
CN110013250B (zh) | 一种抑郁症自杀行为的多模式特征信息融合预测方法 | |
KR20190059376A (ko) | 뇌파를 통한 뇌 인지기능 평가 플랫폼 및 방법 | |
CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
CN110974258A (zh) | 用于诊断抑郁症和其他医学状况的系统和方法 | |
WO2009064475A1 (en) | Method for real time attitude assessment | |
Sharanreddy et al. | Automated EEG signal analysis for identification of epilepsy seizures and brain tumour | |
CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
Jortberg et al. | A novel adhesive biosensor system for detecting respiration, cardiac, and limb movement signals during sleep: Validation with polysomnography | |
US20030032894A1 (en) | System and method for vision examination utilizing fault detection | |
Anwar et al. | Use of portable EEG sensors to detect meditation | |
Dobrowolski et al. | Classification of auditory brainstem response using wavelet decomposition and SVM network | |
Xu et al. | An adaptive graph spectral analysis method for feature extraction of an EEG signal | |
Ouyang et al. | EEG autoregressive modeling analysis: A diagnostic tool for patients with epilepsy without epileptiform discharges | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
Amorim et al. | Application of surface electromyography in the dynamics of human movement | |
US20060217631A1 (en) | Method for automated analysis of submaximal F-waves | |
CN116369853A (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |