引用本文

李昕, 安占周, 李秋月, 蔡二娟, 王欣. 基于多重多尺度熵的孤独症静息态脑电信号分析. 自动化学报, 2020, 46(6): 1255-1263. doi: 10.16383/j.aas.c170687

LI Xin, AN Zhan-Zhou, LI Qiu-Yue, CAI Er-Juan, WANG Xin. Autistic Resting EEG Signals Analysis via Multiple Multi-scale Entropies. ACTA AUTOMATICA SINICA, 2020, 46(6): 1255-1263. doi: 10.16383/j.aas.c170687

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170687

关键词

孤独症，静息态脑电信号，多重多尺度熵，复杂度 

摘要

面向孤独症儿童脑功能状态评估问题, 提出一种多重多尺度熵脑电特征提取算法.算法针对传统多尺度熵信息丢失问题, 在移动均值粗粒化基础上, 采用延搁取值法构建多个尺度上的多重脑电信号序列, 再进一步计算各个尺度的样本熵.算法不仅克服了传统多尺度熵的信息丢失问题, 还能充分挖掘脑电信号的细节信息, 同时减小了尺度间的波动.基于该算法分析了16名孤独症儿童和16名正常儿童的19个通道的脑电信号.结果表明:正常儿童F7、F8、T4、P3通道的多重多尺度熵和复杂度均高于孤独症儿童, 且存在显著性差异(P < 0.05).表明前颞叶(F7、F8)可以作为孤独症儿童脑功能状态评估的敏感脑区, T4、P3可以作为辅助干预的敏感通道.

文章导读

孤独症(又称自闭症)是一种广泛性大脑发育障碍, 患者存在严重的沟通障碍[1], 特点是具有高发病率和遗传率, 其中男性发病率比女性高2~3倍[2].

孤独症病因目前尚无明确结论, 但有研究表明:孤独症的病因与脑结构状态改变和脑功能障碍有关, 这种改变或连接异常可以通过脑电信号分析进一步挖掘[3].静息态脑电信号反映大脑在没有任何外界刺激和任务活动时的状态, 因此, 对于年龄较小、认知水平和任务配合程度低的孤独症儿童, 基于静息态脑电信号分析脑功能状态更可行、更具优势. 2005年, Sutton等[4]研究发现, 与正常儿童相比, 孤独症儿童的静息态脑电Alpha频段在前额区的能量降低, 而顶区和中央区的能量升高. Sheikhani等[5]通过研究静息态脑电发现, 孤独症儿童颞区(T区) Gamma频段的脑电信号相干性显著升高.

基于脑电信号分析孤独症儿童脑功能状态, 目前主要集中在大脑复杂程度评估和脑功能网络结构研究两个方面, 熵是衡量大脑复杂程度和研究脑功能网络的重要特征参数, 单个离散随机变量的熵是其平均不确定性的量度, 它表征了随机变量的随机性程度, 基于熵参数, 可以很好地表征一个复杂性系统的有序性变化, 可以评估系统的状态, 更加可以进一步指出系统的发展趋势. Fan等[6]在总结了熵在脑功能状态研究现状的基础上, 提出了一种评估脑功能状态的网络特征熵算法, 结果表明人类的脑功能状态可以通过熵值的变化来评估. Song等[7]基于脑电信号样本熵、优化样本熵等特征参量, 分析癫痫脑电信号, 得到了较好的结果.小波熵、排列熵、谱熵等也广泛应用于脑电信号分析[8]. 2016年, 雷敏等[9-10]利用样本熵和辛熵分析孤独症和健康人的脑电信号, 得出孤独症脑电信号样本熵明显低于健康人的熵值, 熵参数可以作为分析孤独症脑功能状态的参数指标.但是, 传统的熵算法很难表征脑电信号的多尺度特点, 从而很难进一步挖掘信号中隐藏的细节信息.

多尺度熵算法可以通过在多个尺度上构造原始信号的新序列, 从而达到分析信号在不同时间尺度上时域复杂性的目的. Bornas等[11]和Thuraisingham等[12]也证明了在反映脑电信号特征方面, 多尺度熵能够提取到更多的信息. Zavala-Yoé等[13]以多尺度熵作为特征量, 有效地识别了癫痫发作的脑电信息. Mclntosh等[14]证实了正常人比孤独症具有更好的适应性与更高的多尺度熵值. Bosl等[15]和Catarino等[16]利用多尺度熵分析孤独症和健康人的脑电信号, 指出孤独症患者的脑电复杂度存在显著性降低.以上结果表明, 多尺度熵方法能够更好地挖掘信号隐藏的细节信息.

但是, 计算原始数据多尺度熵时，在多尺度粗粒化过程中, 不可避免地会造成数据原始信息丢失, 从而导致重要的特征信息丢失.针对这一问题, 本文提出一种多重多尺度熵脑电特征提取算法.算法基于时间序列产生新模式概率理论, 在移动均值粗粒化基础上, 采用延搁取值法, 构建多个尺度的多重脑电信号序列, 进一步计算各尺度的熵值.基于该算法并结合复杂度算法, 对比分析了16名孤独症儿童和16名正常儿童脑电信号特征, 得到了孤独症儿童敏感脑区与相关敏感通道.

图 1  均值粗粒化过程

图 2  移动均值粗粒化过程

图 3  熵值结果对比

本文面向孤独症儿童脑功能状态评估展开研究, 针对传统多尺度熵的信息丢失问题, 提出了一种多重多尺度熵的特征提取算法, 通过构建多重数据序列, 在避免信息丢失的同时使多重多尺度熵结果更加稳定. 19个通道的脑电信号复杂度分析结果表明, 正常儿童的F7、F8、T3、T4、P3、P4通道的脑电信号复杂度均高于孤独症儿童, 且存在显著性的差异(P < 0.05).进一步分析上述6个通道脑电信号的多重多尺度熵, 结果表明:正常儿童的多重多尺度熵值在每个尺度上均要高于孤独症儿童.正常儿童与孤独症儿童在F7、F8、T4、P3这4个通道的多重多尺度熵具有显著性差异(P < 0.05).表明前颞叶可以作为分析孤独症儿童脑功能状态的敏感脑区, 右侧颞叶T4通道和后顶叶P3通道可以作为孤独症儿童脑功能状态分析的敏感通道.

作者简介

安占周  

燕山大学硕士研究生. 2016年于燕山大学获得学士学位.主要研究方向为医学信息处理和情感计算. E-mail: 18332553763@163.com

李秋月  

燕山大学硕士研究生. 2015年于燕山大学里仁学院获得学士学位.主要研究方向为医学信息处理和情感计算. E-mail: 18233586099@163.com

蔡二娟  

燕山大学硕士研究生. 2015年于燕山大学里仁学院获得学士学位.主要研究方向为孤独症儿童脑电信息的处理和计算. E-mail: 18233587424@163.com

王欣  

燕山大学硕士研究生. 2017年于燕山大学里仁学院获得学士学位.主要研究方向为医学信息处理和情感计算. E-mail: yddywangxin@163.com

李昕  

燕山大学教授. 1992年于东北重型机械学院获得学士学位, 2002年于燕山大学获得硕士学位, 2008年于燕山大学获得博士学位.主要研究方向为医学信息处理, 情感计算.本文通信作者. E-mail: yddylixin@ysu.edu.cn