一种基于融合特征的慢性意识障碍自动评估方法_弓愉昇.pdf

西北大学学报（自然科学版）年 月，第 卷第 期，（）收稿日期：基金项目：国家自然科学基金（，）第一作者：弓愉昇，男，陕西西安人，从事医学大数据研究，。通信作者：张瑞，女，陕西西安人，教授，博士生导师，医学大数据分析挖掘与智能应用创新团队负责人，从事机器学习理论与算法、生理信号模式识别、神经计算模型等研究，。医疗与人工智能一种基于融合特征的慢性意识障碍自动评估方法弓愉昇，王文华，潘 敏，张 瑞（西北大学 医学大数据研究中心，陕西 西安）摘要 慢性意识障碍（，）是一种由严重脑损伤导致个体意识丧失状态持续时间超过 的神经系统疾病，其主要包括植物状态（，）和微意识状态（，），而 可进一步细分为和 。的准确评估能够辅助医生制定合理的康复治疗方案，促进患者意识神经网络的恢复与重建。临床上，关于意识状态评估的主要方式为行为量表、神经影像学检查等，但这些检查方法只能获取某一时刻信息，并无法通过连续监测患者的生理病理状态来进行更为准确和完备的评估。脑电图（，）能够实时记录反映患者意识状态的生理病理电活动，且睡眠脑电活动与 患者的意识状态紧密联系。基于此，从夜间 为主的多源数据出发，提出一种基于融合特征的慢性意识障碍自动评估方法。首先，对 进行数据增广、滤波、去噪等预处理；其次，利用时域、频域和非线性分析方法分别提取用于刻画 病理表现的特征。在此过程中，设计了具有频带功率权重的通道相干性和刻画频带相关性的分散程度两个新特征。进一步，结合眼电图（，）与肌电图（，）数据，提取了一种新的基于多源数据的睡眠分期时长占比特征；最后，将所提取的多个特征进行融合并分别结合随机森林和神经网络分类器实现 的自动评估。该文采用俄罗斯联邦重症监护与康复临床研究中心 患者数据集对所提方法进行验证。数值实验结果表明，所提方法对 自动评估的准确率、灵敏度分别达到.和.。关键词 慢性意识障碍；脑电信号；睡眠分期；特征融合；神经网络中图分类号：，（，）（），（），（）（），（），（）（），.（）；（）；意识障碍（，）是一种由外伤或非外伤因素导致脑功能严重损伤进而引起个体对自我和环境感知能力出现障碍的神经系统疾病。慢性意识障碍（，）是指意识丧失持续时间超过 的长期。临床上常伴有睡眠结构紊乱、肺部及尿路感染、脑积水、肝功能异常等并发症。根据意识水平和意识内容的不同，主要分为植物状态（，）和微意识状态（，）。其中，是一种存在觉醒但没有觉知能力的无意识状态，具有睡眠觉醒周期。而 则具有微弱且不连续的觉知能力，存在较低（）和较高（）复杂程度的行为反应。针对不同患者的意识状态以及患者在不同病情阶段所处的意识状态，所选择的诊疗方案存在较大差异。因此，准确评估 对于患者的临床护理和康复治疗具有至关重要的作用。临床上，评估的主要方法之一为临床行为检查，其主要依赖患者行为表征，结合行为量表进行意识状态评估。但是，该方法主观性强，患者的并发症也会严重干扰医生对病情的判断，误诊率较高。神经影像学可以客观记录 患者中潜在的中枢神经系统损伤，其检查方式主要通过分析、结果来分析脑结构、功能连接的强度与脑代谢水平等影像学特征，进而诊断患者的意识状态。此类方式所需价格昂贵，存在辐射危害且不便于床旁检查，大大限制了该方法的长期使用。同时，上述两类方法均难以对患者进行连续监测，进而可能导致无法及时准确了解患者意识状态，影响康复治疗进程。与上述检查手段不同，脑电图（，）是一种通过安放在大脑皮质或颅内的电极所记录得到的自发性、节律性电信号，这些生理病理电信号能够反映 患者的意识状态变化。研究表明，患者的意识水平与其睡眠状态密切相关，包括觉醒期（）、快速眼动（，）睡眠期和非快速眼动（，）睡眠、和期。因此，长时程且高时间分辨率的 脑电数据（）对于患者意识状态的诊断是必要的。然而，临床上患者意识状态的评估需依靠医生对大量的脑电记录进行视觉判读，存在费时费力、获取信息有限、主观性强等缺点。随着 分析技术的进步以及人工智能的发展和应用，大量学者开始关注如何使用机器学习方法挖掘 的潜在信息来辅助意识状态准确评估的相关研究。采用机器学习方法对患者意识状态进行评估，主要通过从 中提取恰当的能有效西北大学学报（自然科学版）第 卷区分不同意识状态的特征，并结合分类器来完成对 患者不同状态的识别（本文主要涉及 类意识状态，即、）。其中设计一种有效的特征提取方法，是实现准确评估的关键步骤。目前已有工作可大体分为 类，即时域分析、频域分析和非线性分析方法。从时域分析角度出发，主要通过分析脑电信号的幅度直方图、提取脑电瞬态特征等进行 的辅助评估。从频域方面，等人提取脑电双频指数特征用于 与 的鉴别诊断。等计算正常人与 患者脑电信号在不同频带的功率谱密度，发现 患者的低频带（，）功率增加，高频带（，）功率显著减少。从非线性动力学角度出发，等人研究了近似熵、排列熵特征值与 患者的意识状态呈正相关关系。曹铭将复杂度、基本尺度熵特征参数用于 患者的意识状态评估。此外，等提取传递熵特征结合统计分析说明 患者和 患者在这两个特征值上存在明显差异。然而，已有研究仍存在一定的局限性。一方面，现有的方法大多基于单一通道，而忽略了不同通道之间的相互作用；另一方面，患者的意识状态与睡眠结构密切相关，而已有研究大多忽略了包括、和 等在内睡眠信息对于 评估的重要 作 用。基 于 此，本 文 以 患者夜间所采集的、和 信号为数据源，提出一种新的基于融合特征的 自动评估方法。首先，对临床采集的、和 数据进行增广、滤波、去噪等预处理；其次，采用时域、频域和非线性分析方法分别提取用于刻画 病理表现的特征，其中提出了两个新的具有频带功率权重的通道相干性特征、刻画频带相关性的分散程度的特征。进一步，结合 与、数据，设计了一种新的与意识状态密切相关的睡眠分期时长占比特征。最后，将上述所提取的多个特征进行融合，并分别结合随机森林、神经网络分类器完成对 自动评估。方法本节首先介绍融合特征提取方法。具体地，分别从时域、频域、非线性和睡眠分期角度出发提取 个特征，并将其融合以更全面刻画 患者在、和 信号上的病理表现。其中具有频带功率权重的通道相干性特征、刻画频带相关性的分散程度的特征、以及与意识水平密切相关的睡眠分期时长占比特征为本文所提取的 个新特征。其次，将上述融合特征结合分类器，以实现 患者的自动评估。.基于 的时域特征提取方法时域特征是通过对 信号病理表现的直接观察来获取的。本文提取 信号 的 参数特征，包括信号的活动性、移动性 和复杂度 分别用于刻画信号的振幅、坡度以及信号与正弦波的相似程度特性：（）（）（）式中：为信号 的标准差次；为 的一阶导；为 的二阶导。大脑皮层被认为是意识活动的主要区域，因此意识状态很大程度上决定了大脑活跃程度，并反映为 信号的能量波动，因此，本文提取 的时域能量 和功率 特征，计算公式分别为 （）（）（）（）式中：为信号 样本点个数。此外，提取一阶差分、二阶差分 特征用于刻画 信号的离散程度，数学表达式为 （）（）?（）（）（）?（）式中：为信号数据点个数；?、?分别为和的归一化结果。.基于 的频域特征提取方法相关研究表明，患者在、等频带下的脑区域连接强度存在不同程度的损伤。基于此，本文设计了一种具有频带功率权重的通道相干性特征（第 期 弓愉昇，等：一种基于融合特征的慢性意识障碍自动评估方法，）来反映 患者在不同频带下的脑网络连接变化。根据频率范围的不同，将 划分为（.）、（）、（）、（）、（）种频带。首先，计算各个频带的相对功率，即每个频带的绝对功率相对于所有频带绝对功率的比值（，）（，）（，），（）式中：（，）为第 个频带所对应的频率范围（，）覆盖全频带范围，为.，为滤波后的截止频率，本文设为；（，）为第 个频带的绝对功率；（，）为所有频带的绝对功率。相干性分析是对两个通道信号进行快速傅里叶变换，获得功率谱，并以信号的周期为函数计算相干系数。对于每个频带，定义通道 和的信号相干性为（）（）（）（）（）式中：为通道 和 中信号的交叉功率谱密度；和 为自功率谱密度。对于每个频带，依次计算每个通道与其他通道的信号相干性，均得到大小为 的相干性矩阵（为总通道数），对矩阵的第 行求均值，即得到通道 与其他所有通道的相干性平均值。（）考虑 患者中不同通道间的信号功率有所差异，因此将频带相对功率作为通道相干性的权重，据此提出具有频带功率权重的通道相干性新特征，其数学表达为。（）此外，由于 在不同频带上的能量与功率变化与 患者的意识状态密切相关，本文提取信号在各个频带上的相对功率、能量特征 以及在功率谱上提取最大值、最小值、均值 和方差 特征。.基于 的非线性特征提取方法研究表明，和 频带间的相关性在 和 患者之间存在显著的差异性。基于此，本文结合香农熵方法，设计了用于刻画不同频带相关性的分散程度（，）的新特征，具体过程如下。首先，通过希尔伯特变换得到各子频带信号的包络线，信号（）对应的包络（）为（）（）（）（）（）（）（）式中：（）为信号（）的希尔伯特变换。其次，构建每个频带下的加权连接矩阵，其连接强度（加权邻接矩阵 中的元素）通过计算每个频带信号包络线的皮尔逊相关系数得到，即（，）（）式中：（，）为包络线 与包络线 的协方差；和分别表示和 的标准差。进而，得到各频带信号的加权邻接矩阵|（）式中：为信号划分出的频带总个数，本文中。此加权邻接矩阵 展示了不同频带间的相关性。接下来，对矩阵 进行特征值分解：，分别表示特征值和特征向量（，）。进一步，利用香农熵函数来描述特征值分布 （）（）（）式中：，表示归一化后的特征值绝对值，计算出的 值可以反映不同频带间相关性的分散程度。考虑到 的熵特征能够反映 患者在不同意识状态下的脑功能活动状态的变化情况。因此，本文基于 信号提取近似熵、样本熵 两个非线性动力学特征。.基于多源数据的睡眠分期特征提取方法 患者被证实具有睡眠觉醒周期。许多研究表明，不同程度的睡眠结构异常存在于 患者中，如 期增加、期减少等。因此，研究睡眠分期信息对于辅助 评估是非常必要的。本文以此为依据，提出了睡西北大学学报（自然科学版）第 卷眠分期时长占比（，）特征提取方法，具体步骤如下。首先，本文采用 自动睡眠分期算法分别对 患者的、和 信号进行睡眠阶段的划分，包括、和这 个阶段。然后分别计算 个睡眠阶段时长占总信号时长的比例，将其作为睡眠分期时长占比特征。综合上述从时域、频域、非线性以及睡眠分期角度提取的 个特征，从而得到基于、和 信号的融合特征。.基于融合特征的 自动评估方法由于慢性意识障碍患者脑电信号的复杂性，单一特征很难完整刻画病理状态。因此，为了提高评估方法的性能，本文提出基于融合特征的 自动评估方法。首先，对、和 信号进行预处理，具体为数据增广、滤波和去噪。其次，针对 信号，提取基于时域、频域和非线性动力学的 特征，其中包含本文设计新特征 与。随后，基于包括、和 信号在内的多源数据进行睡眠分析，提取了各个睡眠分期时长占比作为新特征。进一步，采用拼接的方式，融合上述所有特征，得到基于多源数据的融合特征。最后，将上述所得到的融合特征结合随机森林和神经网络算法完成 的自动评估。算法流程如图 所示。图 评估算法的流程图 数值实验.数据集本文所用数据来自俄罗斯联邦重症监护与康复的临床研究中心，采集自 名 患者的夜间（记录时间为从前一天下午到第二天早上，共.）数据，其中 患者 人、和患者各 人。每位患者的记录数据包括 导联（、和 导联）信号、两个眼电（，）信号和一个肌电（，）信号，采样率为 。图（）、（）和（）分别展示了某 患者、和 患者在单一通道下时长为 的脑电片段。图 患者的脑电片段 .预处理 患者的数据样本类别不均衡问题会影响意识状态分类模型的表现效果和鲁棒性。因此，在对 信号进行时域、频域、和非线性动力学特征提取之前，对样本量较少的、类别进行数据增广，即将每一患者的所有通道脑电数据按照时间顺序均分为 份，则数据增广后的 数据时序长度为原始数据的，从而、和 三类样本数量比为 。而对于睡眠分期时长占比特征提取，需要使用完第 期 弓愉昇，等：一种基于融合特征的慢性意识障碍自动评估方法整的数据序列，因此，本文对、和 数据进行滤波、去噪预处理并提取睡眠分期时长占比特征之后，在特征层面上进行数据增广，即对于 、类别，将每位患者所有通道的睡眠分期占比特征复制 份，以此解决类别失衡问题。、和 数据在采集过程中容易受到噪声等因素的干扰。其中，工频干扰是在信号采集过程中，受到周围环境的影响例如存在交流电设备等引起的微小毛刺，其频率约为 。有研究表明，能有效反应慢性意识障碍患者病理信息的多为低频带信号，。（）频带出现时人通常处于十分激动或亢奋的状态，这与 患者的临床信息相悖，即高频带信号对本研究影响甚微。基于此，本文采用 中的 工具包对原始数据进行预处理。首先，使用 带通滤波器对 和 信号进行.的滤波，同时，参照本文所用数据集发布者使用的滤波方法，对 信号进行 的带通滤波，并去除 的工频干扰。其次，使用独立成分分析（，）对所有通道 信号进行独立成分分解，识别并去除眼电、肌电等噪声成分。图（）和（）分别展示了某一 患者时长为 的原始脑电片段以及去噪后的脑电片段。可以看出，去噪前后的脑电信号存在明显差异。.实验结果与分析本小节主要从 个方面验证所提方法的有效性。）通过对特征的分布刻画以及 检验，验证本文所提取的 个新特征、的有效性；）进行消融实验，验证本文所提新特征对评估方法性能的提升作用；）结合融合特征，比较验证两种分类器 和 的性能。在特征提取过程中，对预处理后的 信号进行无重叠加窗分段处理，窗口长度为 。的基学习器个数设置为，网络的结构包含 个隐藏层，隐节点个数设为，学习率和迭代次数分别设为.和。数值实验采用的模型性能评估指标为准确率和灵敏度，该指标在 患者意识评估中被广泛使用且效果较好。其中，使用准确率来衡量模型整体的分类性能；使用灵敏度来衡量模型对正例的识别能力。其计算公式如下：（）（）实验均采用 折交叉验证，共进行 次实验取其平均结果作为最终分类性能。图 脑电信号预处理结果 首先，分别对所提特征、和 的有效性进行验证。表 展示了、和 患者分别在 期、期和 期下对应的 平均值。从表 中可以看出，随着意识障碍状态加重、意识水平降低，在 期，患者的 平均值呈递减趋势，而在 期患者的 平均值呈递增趋势，同时，在 期 患者的 平均值也远小于 类患者，这反映了 患者的意识状态与睡眠状态存在一定的正相关关系，即 患者的意识状态越差，觉醒期越长，睡眠期越短。同时，图（）、（）和（）展示了、和 患者分别在 期、期和 期的 特征值箱线图。从图可以看出，、和 患者在 期、期和 期的 特征值有显著差异，可以很好的区分开来。综上，所提取的新特征 能够很有效区分、和 患者。西北大学学报（自然科学版）第 卷表 不同意识状态下 平均值 单位：意识状态睡眠分期 图 不同意识状态下 特征值分布的箱线图 图（）、（）分别展示了、和 患者每一脑电片段的 和 特征值的箱线图。从图中可以看出，意识状态越好，、特征值越小，且在区分 与 时效果非常好。图 不同意识状态下的 和 特征值分布的箱线图 为进一步验证新特征的有效性，本文对患者的 特征和 特征进行 检验。对、和 三类患者两两进行 检验，得到对应的，如果 值小于.，则认为其差异性是显著的，和 的 检验结果如表 和表 所示。从表中可以看出，与 和 患者 特征 值远小于.，存在显著差异，与 患者 值为 ，也存在较明显的差异。同时，类样本两两检验 特征 值均小于.，存在显著差异。综上，本文所提取的新特征 和 能够很有效区分 与 类患者，在区分 与 患者时仍有不错的表现。表 特征值 检验对象.第 期 弓愉昇，等：一种基于融合特征的慢性意识障碍自动评估方法表 特征值 检验对象.此外，进一步研究所提新特征、和 对自动评估性能的提升作用。表 展示了时域、频域和非线性基本特征以及分别单一融合、和 新特征下 自动评估的准确率和灵敏度。从表中可以看出，分别将 个新特征与基本特征融合，其评估效能相较进使用基本特征均有所提升。同时，相比于、特征，特征具有更优越的评估准确率和灵敏度。表 基本特征与单一融合特征的 评估性能对比 单位：随机森林 神经网络 准确率灵敏度准确率灵敏度基本特征.基本特征.基本特征.基本特征.本文检验了基于、和 信号的融合特征（包含、和 新特征）在、两个分类器下的性能表现，如表 所示。融合特征在、两个分类器下的准确率为.、.以及灵敏度为.和.，均表现出很好的分类效果，且在 算法下的分类效果更佳。这说明了本文所提融合特征方法的有效性和可行性。表 列出了本文所提方法与已有方法的性能比较结果。其中王小宇等人基于被动听觉事件相关电位（，），在包含 名受试者（健康 名，患者 名，患者 名）的数据集上完成健康、和 的三分类评估；等人基于视觉，在包含 名受试者（患者 名和 患者 名）的数据集上完成 和 的二分类评估；等人采用 结合听觉 的方式在包含 名受试者（患者 名，患者 名）的数据集上完成 和 二分类评估。表 融合特征的 评估性能 单位：随机森林 神经网络 准确率灵敏度准确率灵敏度融合特征.表 本文方法与已有方法的性能比较 单位：文献数据分类准确率灵敏度文献听觉健康、.文献视觉、.文献听觉、.本文睡眠脑电、.结语本文首先提出了新的具有频带功率权重的通道相干性和刻画频带相关性的分散程度的特征提取方法 和。同时，考虑睡眠分期时长占比特征对于 患者意识水平的重要影响；其次，结合分类器算法，提出了一种基于融合特征的 自动评估方法。本文采用临床采集的 名 患者的夜间、和 数据，从以下 个方面对所提 评估方法的有效性进行验证：通过对特征的分布刻画以及 检验，验证本文所提取的 个新特征、的有效性；进行消融实验，验证本文所提新特征对评估方法性能的提升作用；结合融合特征，比较验证两种分类器 和 的性能。数值实验结果表明，本文所提特征能够有效区分 患者的意识状态，特别是 特征对分类性能具有显著提升。本文研究结果将为临床护理和康复西北大学学报（自然科学版）第 卷治疗方案制定提供一定的指导和辅助作用。参考文献 杨艺，谢秋幼，何江弘，等 慢性意识障碍诊断与治疗中国专家共识解读 临床神经外科杂志，（）：，：，（）：，吕威 脑损伤后慢性意识障碍患者神经内分泌紊乱及其对认知、行为与预后的影响 广州：南方医科大学，董月青，魏熙乐，蔡立辉，等 中央丘脑脑深部电刺激治疗长期意识障碍的临床研究 中国微侵袭神经外科杂志，（）：，（）：，：，（）：何艳斌，谢秋幼，虞容豪，等 脑机接口技术在慢性意识障碍诊疗中的应用进展 临床神经外科杂志，（）：，（）：，：，（）：，：，（）夏晴，杨艺，强峻，等 睡眠脑电成分对慢性意识障碍患者评估及预后预判的研究 中华神经创伤外科电子杂志，（）：，（）：曹铭 意识障碍患者脑电信号的非线性动力学评价分析 杭州：杭州电子科技大学，：，（）：，（）：，：，（）：，（）：，：，（）：王凤瑛，张丽丽 功率谱估计及其 仿真微计算机信息，（）：，（）：蔡立辉 基于脑电图的意识障碍多层脑网络分析与评估 天津：天津大学，（）：李晓欧，谭英超，杨勇 基于熵的严重意识障碍脑电信号识别方法 生物医学工程学杂志，（）：，（）：吴东宇，彭享胜，刘霖，等 近似熵和互近似熵脑电非线性分析在意识障碍评价中的应用 中国康复医学杂志，（）：，第 期 弓愉昇，等：一种基于融合特征的慢性意识障碍自动评估方法 ，（）：，：，：，：程雅楠，李斯卉，宋江玲，等 一种新的基于脑电信号的意识障碍预后评估方法 西北大学学报（自然科学版），（）：，（），（）：，：.，：.王小宇，杨艺，李凡，等 基于被动听觉 范式的慢性意识障碍患者个体评估研究 中国生物医学工程学报，（）：，（）：，（）：，：，：（编 辑 亢小玉）西北大学学报（自然科学版）第 卷