一种基于融合特征的慢性意识障碍自动评估方法 A novel fusion feature extraction method for prolonged disorders of consciousness assessment 1 first-author 弓愉昇，男，陕西西安人，从事医学大数据研究，752665040@qq.com。 弓愉昇，男，陕西西安人，从事医学大数据研究，752665040@qq.com。 752665040@qq.com 1 1 1 corresp 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，rzhang@nwu.edu.cn。 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，rzhang@nwu.edu.cn。 rzhang@nwu.edu.cn 西北大学　医学大数据研究中心，陕西　西安　710127 西北大学　医学大数据研究中心，陕西　西安　710127 Medical Big Data Research Center, Northwest University, Xi'an 710127, China Medical Big Data Research Center, Northwest University, Xi'an 710127, China 亢小玉 慢性意识障碍（prolonged disorders of consciousness，PDOC）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28 d的神经系统疾病，其主要包括植物状态（vegetative state，VS）和微意识状态（minimally conscious state，MCS），而MCS可进一步细分为MCS-和MCS+。PDOC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（electroencephalogram，EEG）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PDOC患者的意识状态紧密联系。基于此，从夜间EEG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PDOC-EEG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PDOC-EEG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（electro-oculogram，EOG）与肌电图（electromyogram，EMG）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PDOC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PDOC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PDOC自动评估的准确率、灵敏度分别达到94.2%和94.1%。 Prolonged disorders of consciousness (PDOC) is a kind of neurological disease caused by severe brain damage, which results in loss of consciousness more than 28 days. Vegetative state (VS), minimally conscious stateplus (MCS+ ) and minimally conscious state minus (MCS-) are the main states of prolonged disorders of consciousness. PDOC assessment is helpful for formulating reasonable treatment plans, promoting recovery of consciousness in PDOC patients.In clinic, the main assessment methods are behavioral rating scales, imaging examinations and so on.But above methods are impossible for continuously monitoring patients' consciousness in real-time. Electroencephalogram(EEG)can record the state of brain's electrical activity reflecting the level of consciousness in real-time. Moreover, sleep EEG is closely related to the level of consciousness in PDOC patients. Therefore, a novelfusion feature extraction method for PDOC assessment is proposed based on EEG data. Firstly, the PDOC-EEG signals are preprocessed by data expanding, filtering and denoising. Secondly, the pathological features of PDOC-EEG are extracted using time-domain, frequency-domain and nonlinear analysis. In this process, two new features, power weight-based channel coherence and dispersion of frequency correlation are designed. Meanwhile, consider the proportion of sleep stage duration as feature, which is related to the level of consciousnes, using EEG, EOG(electro-oculogram) and EMG(electromyogram) data. Then, fuse the extracted features. Finally, the automatic PDOC assessment is realized using random forest and back propagation neural network classifier. This method is verified by dataset of PDOC patients collected in the federal research and clinical center of intensive care medicine and rehabilitology in Russia. Numerical experiment shows that accuracy and sensitivity of the proposed method are 94.2%and 94.1%. 慢性意识障碍 脑电信号 睡眠分期 特征融合 BP神经网络 prolonged disorders of consciousness(PDOC) electroencephalogram(EEG) sleep stage fusion feature back propagation neuron netwok 意识障碍(disorders of consciousness，DOC)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(prolonged disorders of consciousness，PDOC)是指意识丧失持续时间超过28 d的长期DOC [ 1 1 ] 。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 [ 2 2 ] 。根据意识水平和意识内容的不同，PDOC主要分为植物状态(vegetative state, VS)和微意识状态(minimally conscious state, MCS)。其中，VS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MCS则具有微弱且不连续的觉知能力，存在较低(MCS-)和较高(MCS+)复杂程度的行为反应 [ 3 3 ] 。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PDOC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，PDOC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 [ 4 4 ] 。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PDOC患者中潜在的中枢神经系统损伤 [ 5 5 ] ，其检查方式主要通过分析DTI、fMRI、PET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(electroencephalogram, EEG)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PDOC患者的意识状态变化 [ 6 6 ] 。研究表明，PDOC患者的意识水平与其睡眠状态密切相关，包括觉醒期(wake)、快速眼动(rapid eye movement，REM)睡眠期和非快速眼动(non-rapid eye movement，NREM)睡眠Ⅰ、Ⅱ和Ⅲ期 [ 7 7 - 8 8 7-8 ] 。因此，长时程且高时间分辨率的PDOC脑电数据(PDOC-EEG)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EEG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PDOC-EEG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PDOC-EEG中提取恰当的能有效区分不同意识状态的特征，并结合分类器来完成对PDOC患者不同状态的识别(本文主要涉及3类意识状态，即VS、MCS-、MCS+)。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3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PDOC的辅助评估 [ 9 9 ] 。从频域方面，Schnakers等人提取脑电双频指数特征用于VS与MCS的鉴别诊断 [ 10 10 ] 。Chennu等计算正常人与PDOC患者脑电信号在不同频带的功率谱密度，发现PDOC患者的低频带( δ ， θ )功率增加，高频带( α ， β )功率显著减少 [ 11 11 ] 。从非线性动力学角度出发，Huang等人研究了近似熵、排列熵特征值与PDOC患者的意识状态呈正相关关系 [ 12 12 ] 。曹铭将复杂度、基本尺度熵特征参数用于PDOC患者的意识状态评估 [ 9 9 ] 。此外，Thul等提取传递熵特征结合统计分析说明VS患者和MCS患者在这两个特征值上存在明显差异 [ 13 13 ] 。 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，PDOC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EEG、EOG和EMG等在内睡眠信息对于PDOC评估的重要作用。基于此，本文以PDOC患者夜间所采集的EEG、EOG和EMG信号为数据源，提出一种新的基于融合特征的PDOC自动评估方法。首先，对临床采集的EEG、EOG和EMG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PDOC-EEG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EEG与EOG、EMG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PDOC自动评估。 方法 1 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18个特征，并将其融合以更全面刻画PDOC患者在EEG、EOG和EMG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3个新特征。其次，将上述融合特征结合分类器，以实现PDOC患者的自动评估。 基于PDOC-EEG的时域特征提取方法 2 时域特征是通过对PDOC-EEG信号病理表现的直接观察来获取的。本文提取PDOG-EEG信号 X 的Hjorth参数特征，包括信号的活动性 H A 、移动性 H M 和复杂度 H C 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： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884448&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884449&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884452&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884469&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884464&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884466&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884483&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884475&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884477&type= 式中： σ 为信号 X 的标准差次； σ ′为 σ 的一阶导； σ ″为 σ 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EEG信号的能量波动，因此，本文提取PDOG-EEG的时域能量 E T 和功率 P T 特征，计算公式分别为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884487&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884489&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884490&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884494&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884507&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884497&type= 式中： N 为信号 X 样本点个数。 此外，提取一阶差分 δ 、二阶差分 γ 特征用于刻画EEG信号的离散程度，数学表达式为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884529&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884532&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884521&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884536&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884539&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884542&type= 式中： N 为信号数据点个数； http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884547&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884565&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884562&type= 、 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884568&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884574&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884555&type= 分别为 δ 和 γ 的归一化结果。 基于PDOC-EEG的频域特征提取方法 2 相关研究表明，PDOC患者在 α 、 δ 等频带下的脑区域连接强度存在不同程度的损伤 [ 14 14 ] 。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(power weight-based channels cherence，PWCC)来反映PDOC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EEG划分为 δ (0.5～4 Hz)、 θ (4～8 Hz)、 α (8～12 Hz)、 β (12～30 Hz)、 γ (30～80 Hz)5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 R m http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884577&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884592&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884581&type= 式中： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884599&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884587&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884584&type= 为第 m 个频带所对应的频率范围( F a, F b )覆盖全频带范围， F a 为0.5 Hz， F b 为滤波后的截止频率，本文设为35 Hz； http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884606&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884611&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884609&type= 为第 m 个频带的绝对功率； P ( F a, F b )为所有频带的绝对功率。 EEG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 m ，定义通道 i 和 j 的信号相干性为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884614&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884633&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884636&type= 式中： P ij 为通道 i 和 j 中信号的交叉功率谱密度； P ii 和 P jj 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 N × N 的相干性矩阵( N 为总通道数)，对矩阵的第 i 行求均值，即得到通道 i 与其他所有通道的相干性平均值 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884630&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884632&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884648&type= 考虑PDOC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 R m 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PWCC，其数学表达为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884664&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884668&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884651&type= 此外，由于EEG在不同频带上的能量与功率变化与PDOC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 R m 、能量特征EF以及在功率谱上提取最大值 P max 、最小值 P min 、均值 P mean 和方差 P var 特征 [ 15 15 ] 。 基于PDOC-EEG的非线性特征提取方法 2 研究表明， δ 和 β 频带间的相关性在VS和MCS患者之间存在显著的差异性 [ 16 16 ] 。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(dispersion of frequency correlation，DFC)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 X ( t )对应的包络 A ( t )为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884654&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884675&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884659&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884661&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884679&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884694&type= 式中： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884683&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884698&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884696&type= ( t )为信号 X ( t )的希尔伯特变换。 其次，构建每个频带下的加权连接矩阵 W ，其连接强度(加权邻接矩阵 W 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 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884686&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884703&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884705&type= 式中：Cov( L ， K )为包络线 L 与包络线 K 的协方差； σ L 和 σ K 分别表示 L 和 K 的标准差。进而，得到各频带信号的加权邻接矩阵 W http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884691&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884710&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884711&type= 式中： M 为信号划分出的频带总个数，本文中 M =5。此加权邻接矩阵 W 展示了不同频带间的相关性。接下来，对矩阵 W 进行特征值分解： Wv i = λ i v i ， λ i ， v i 分别表示特征值和特征向量( i =1，…， M )。进一步，利用香农熵函数来描述特征值分布 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884712&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884727&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884729&type= 式中： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884730&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884721&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884720&type= ，表示归一化后的特征值绝对值，计算出的 S SI 值可以反映不同频带间相关性的分散程度。 考虑到EEG的熵特征能够反映PDOC患者在不同意识状态下的脑功能活动状态的变化情况 [ 17 17 ] 。因此，本文基于PDOC-EEG信号提取近似熵ApEn、样本熵SampEn两个非线性动力学特征 [ 18 18 - 19 19 18-19 ] 。 基于多源数据的睡眠分期特征提取方法 2 PDOC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PDOC患者中，如WAKE期增加、REM期减少等 [ 20 20 ] 。因此，研究睡眠分期信息对于辅助PDOC评估是非常必要的。本文以此为依据，提出了睡眠分期时长占比(proportion of sleep stage duration，PSSD)特征提取方法，具体步骤如下。 首先，本文采用YASA自动睡眠分期算法分别对PDOC患者的EEG、EOG和EMG信号进行睡眠阶段的划分，包括Wake、REM、NREM Ⅰ、Ⅱ和Ⅲ这5个阶段 [ 21 21 ] 。然后分别计算5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PSSD。 综合上述从时域、频域、非线性以及睡眠分期角度提取的18个特征，从而得到基于EEG、EOG和EMG信号的融合特征。 基于融合特征的PDOC自动评估方法 2 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 [ 22 22 ] 。因此，为了提高评估方法的性能，本文提出基于融合特征的PDOC自动评估方法。首先，对EEG、EOG和EMG信号进行预处理，具体为数据增广、滤波和去噪。其次，针对EEG信号，提取基于时域、频域和非线性动力学的PDOC特征，其中包含本文设计新特征PWCC与DFC。随后，基于包括EEG、EOG和EMG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PSDD。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PDOC的自动评估。算法流程如 图1 图1 所示。 数值实验 1 数据集 2 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 [ 23 23 - 24 24 23-24 ] ，采集自40名PDOC患者的夜间(记录时间为从前一天下午到第二天早上，共14.7 h)数据，其中VS患者30人、MCS+和MCS-患者各5人。每位患者的记录数据包括6导联(F3-A2、F4-A1、C3-A2、C4-A1、O1-A2和O2-A1导联)EEG信号、两个眼电(electrooculogram，EOG)信号和一个肌电(electromyogram，EMG)信号，采样率为256 Hz。 图2(a)、(b)和(c) 图2(a)、(b)和(c) 分别展示了某VS患者、MCS-和MCS+患者在单一通道下时长为20 s的脑电片段。 预处理 2 PDOC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PDOC-EEG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MCS-、MCS+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6份，则数据增广后的EEG数据时序长度为原始数据的1/6，从而VS、MCS-和MCS+三类样本数量比为1∶1∶1。而对于睡眠分期时长占比特征提取，需要使用完整的数据序列，因此，本文对EEG、EOG和EMG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MCS+、MCS-类别，将每位患者所有通道的睡眠分期占比特征复制6份，以此解决类别失衡问题。 EEG、EOG和EMG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50 Hz。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 [ 8 8 , 11 11 ] 。 γ (30～80 Hz)频带出现时人通常处于十分激动或亢奋的状态，这与PDOC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Matlab中的EEGLAB工具包对原始数据进行预处理。首先，使用FIR带通滤波器对EEG和EOG信号进行0.5～35 Hz的滤波，同时，参照本文所用数据集发布者使用的滤波方法 [ 21 21 ] ，对EMG信号进行5～200 Hz的带通滤波，并去除50 Hz的工频干扰。其次，使用独立成分分析(independent component analysis，ICA)对所有通道EEG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3(a)和(b) 图3(a)和(b) 分别展示了某一MCS+患者时长为20 s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 2 本小节主要从3个方面验证所提方法的有效性。 1）通过对特征的分布刻画以及 t 检验，验证本文所提取的3个新特征PWCC、DFC、PSSD的有效性； 2）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； 3）结合融合特征，比较验证两种分类器RF和BP的性能。 在特征提取过程中，对预处理后的EEG信号进行无重叠加窗分段处理，窗口长度为30 s。RF的基学习器个数设置为30，BP网络的结构包含1个隐藏层，隐节点个数设为10，学习率和迭代次数分别设为0.01和500。 数值实验采用的模型性能评估指标为准确率 A Acc 和灵敏度 S Sen ，该指标在PDOC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： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884770&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884771&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884786&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884789&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884776&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884778&type= 实验均采用10折交叉验证，共进行5次实验取其平均结果作为最终分类性能。 首先，分别对所提特征PWCC、DFC和PSSD的有效性进行验证。 表1 表1 展示了VS、MCS-和MCS+患者分别在Wake期、NREM Ⅰ期和NREM Ⅱ期下对应的PSSD平均值。从 表1 表1 中可以看出，随着意识障碍状态加重、意识水平降低，在Wake期，患者的PSSD平均值呈递减趋势，而在NREM Ⅱ期患者的PSSD平均值呈递增趋势，同时，在NREM Ⅰ期VS患者的PSSD平均值也远小于MCS类患者，这反映了PDOC患者的意识状态与睡眠状态存在一定的正相关关系，即PDOC患者的意识状态越差，觉醒期越长，睡眠期越短。同时， 图4(a)、(b)和(c) 图4(a)、(b)和(c) 展示了VS、MCS-和MCS+患者分别在Wake期、NREM I期和NREM Ⅱ期的PSSD特征值箱线图。从图可以看出，VS、MCS-和MCS患者在Wake期、NREM Ⅰ期和NREM Ⅱ期的PSSD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PSSD能够很有效区分VS、MCS-和MCS+患者。 1 2 意识状态 3 1 睡眠分期 1 1 Wake 1 1 NREM Ⅰ 1 1 NREM Ⅱ 1 1 VS 1 1 57 1 1 5 1 1 23 1 1 MCS- 1 1 39 1 1 14 1 1 28 1 1 MCS+ 1 1 29 1 1 12 1 1 41 单位：% 图5(a)、(b) 图5(a)、(b) 分别展示了VS、MCS-和MCS+患者每一脑电片段的PWCC和DFC特征值的箱线图。从图中可以看出，意识状态越好，PWCC、DFC特征值越小，且在区分VS与MCS时效果非常好。 为进一步验证新特征的有效性，本文对患者的PWCC特征和DFC特征进行 t 检验。对VS、MCS-和MCS+三类患者两两进行 t 检验，得到对应的p-Value，如果 p 值小于0.05，则认为其差异性是显著的，PWCC和DFC的T检验结果如 表2 表2 和 表3 表3 所示。从表中可以看出，VS与MCS-和MCS+患者PWCC特征 p 值远小于0.05，存在显著差异，MCS-与MCS+患者 p 值为0.050 983=0.05，也存在较明显的差异。同时，3类样本两两检验DFC特征 p 值均小于0.05，存在显著差异。综上，本文所提取的新特征PWCC和DFC能够很有效区分VS与MCS类患者，在区分MCS-与MCS+患者时仍有不错的表现。 1 1 检验对象 1 1 p -Value 1 1 VS/MCS- 1 1 4.637E-05 1 1 VS/MCS+ 1 1 3.240E-08 1 1 MCS-/MCS+ 1 1 0.050 983 1 1 检验对象 1 1 p -Value 1 1 VS/MCS- 1 1 4.958E-12 1 1 VS/MCS+ 1 1 7.941E-17 1 1 MCS-/MCS+ 1 1 0.047 314 此外，进一步研究所提新特征PSSD、PWCC和DFC对自动评估性能的提升作用。 表4 表4 展示了时域、频域和非线性基本特征以及分别单一融合PWCC、DFC和PSSD新特征下PDOC自动评估的准确率和灵敏度。从表中可以看出，分别将3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PWCC、DFC特征，PSSD特征具有更优越的评估准确率和灵敏度。 1 2   2 1 随机森林 2 1 神经网络 1 1 准确率 1 1 灵敏度 1 1 准确率 1 1 灵敏度 1 1 基本特征 1 1 85.7 1 1 85.2 1 1 82.5 1 1 81.8 1 1 基本特征+PWCC 1 1 86.5 1 1 85.9 1 1 84.4 1 1 83.7 1 1 基本特征+DFC 1 1 86.3 1 1 86.0 1 1 83.7 1 1 83.3 1 1 基本特征+PSSD 1 1 92.4 1 1 92.2 1 1 94.0 1 1 93.9 单位：% 本文检验了基于EEG、EOG和EMG信号的融合特征(包含PWCC、DFC和PSSD新特征)在RF、BP两个分类器下的性能表现，如 表5 表5 所示。融合特征在RF、BP两个分类器下的准确率为92.7%、94.2%以及灵敏度为92.6%和94.1%，均表现出很好的分类效果，且在BP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。 1 2   2 1 随机森林 2 1 神经网络 1 1 准确率 1 1 灵敏度 1 1 准确率 1 1 灵敏度 1 1 融合特征 1 1 92.7 1 1 92.6 1 1 94.2 1 1 94.1 单位：% 表6 表6 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(event related potential, ERP)，在包含132名受试者(健康38名，VS患者54名，MCS患者40名)的数据集上完成健康、VS和MCS的三分类评估 [ 25 25 ] ；Xiao等人基于视觉ERP，在包含20名受试者(VS患者10名和MCS患者10名)的数据集上完成VS和MCS的二分类评估 [ 26 26 ] ；Hermann等人采用FDG-PET结合听觉ERP的方式在包含57名受试者(VS患者23名，MCS患者34名)的数据集上完成VS和MCS二分类评估 [ 27 27 ] 。 1 1 文献 1 1 数据 1 1 分类 1 1 准确率 1 1 灵敏度 1 1 文献[ 25 25 ] 1 1 听觉 ERP 1 1 健康、VS、MCS 1 1 83.0 1 1 84.0 1 1 文献[ 26 26 ] 1 1 视觉 ERP 1 1 VS、MCS 1 1 84.0 1 1 － 1 1 文献[ 27 27 ] 1 1 听觉 ERP 1 1 VS、MCS 1 1 83.0 1 1 94.0 1 1 本文 1 1 睡眠 脑电 1 1 VS、MCS-、MCS+ 1 1 94.2 1 1 94.1 1 1   1 1   单位：% 结语 1 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PWCC和DFC。同时，考虑睡眠分期时长占比特征对于PDOC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PDOC自动评估方法。本文采用临床采集的40名PDOC患者的夜间EEG、EOG和EMG数据，从以下3个方面对所提PDOC评估方法的有效性进行验证：①通过对特征的分布刻画以及 t 检验，验证本文所提取的3个新特征PWCC、DFC、PSSD的有效性；②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；③结合融合特征，比较验证两种分类器RF和BP的性能。数值实验结果表明，本文所提特征能够有效区分PDOC患者的意识状态，特别是PSSD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 [J]. 临床神经外科杂志 , 2020 , 17 ( 6 ): 601-604, 610 . 《慢性意识障碍诊断与治疗中国专家共识》解读 YANG Y , XIE Q Y , HE J H , et al . Interpretation of ”Diagnoses and treatments of prolonged of consciousness: The Chinese experts consensus” [J]. Journal of Clinical Neurosurgery , 2020 , 17 ( 6 ): 601-604, 610 . Interpretation of ”Diagnoses and treatments of prolonged of consciousness: The Chinese experts consensus” 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 [D]. 广州 : 南方医科大学 , 2020 . 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 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 [J]. 中国微侵袭神经外科杂志 , 2020 , 25 ( 6 ): 266 - 270 . 中央丘脑脑深部电刺激治疗长期意识障碍的临床研究 DONG Y Q , WEI X L , CAI L H , et al . Clinical study of central thalamic deep brain stimulation for treatment of prolonged disorder of consciousness [J]. Chinese Journal of Minimally Invasive Neurosurgery , 2020 , 25 ( 6 ): 266 - 270 . Clinical study of central thalamic deep brain stimulation for treatment of prolonged disorder of consciousness BAI Y , LIN Y J , ZIEMANN U . Managing disorders of consciousness: The role of electroencephalography [J]. Journal of Neurology , 2021 , 268 ( 11 ): 4033 - 4065 . Managing disorders of consciousness: The role of electroencephalography 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 [J]. 临床神经外科杂志 , 2020 , 17 ( 1 ): 105 - 108 . 脑机接口技术在慢性意识障碍诊疗中的应用进展 HE Y B , XIE Q Y , YU R H , et al . Application of brain-computer interface in chronic disorders of consciousness [J]. Chinese Journal of Clinical Neurosurgery , 2020 , 17 ( 1 ): 105 - 108 . Application of brain-computer interface in chronic disorders of consciousness GOLKOWSKI D , MERZ K , MLYNARCIK C , et al . Simultaneous EEG-PET-fMRI measurements in disorders of consciousness: An exploratory study on diagnosis and prognosis [J]. Journal of Neurology , 2017 , 264 ( 9 ): 1986 - 1995 . Simultaneous EEG-PET-fMRI measurements in disorders of consciousness: An exploratory study on diagnosis and prognosis MERTEL I , PAVLOVY , BARNER C , et al . Sleep in disorders of consciousness: Behavioral and polysomnographic recording [J]. BMC Medicine , 2020 , 18 ( 1 ). Sleep in disorders of consciousness: Behavioral and polysomnographic recording 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 [J]. 中华神经创伤外科电子杂志 , 2020 , 6 ( 6 ): 368 - 372 . 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 XIA Q , YANG Y , QIANG J , et al . Study on sleep electroencephalogram composition for evaluation and prognosis prediction of patients with chronic disorders of consciousness [J]. Chinese Journal of Neurotraumatic Surgery , 2020 , 6 ( 06 ): 368 - 372 . Study on sleep electroencephalogram composition for evaluation and prognosis prediction of patients with chronic disorders of consciousness 曹铭 . 意识障碍患者脑电信号的非线性动力学评价分析 [D]. 杭州 : 杭州电子科技大学 , 2012 . 意识障碍患者脑电信号的非线性动力学评价分析 SCHNAKERS C , CHATELLE C , VANHAUDENHUYSE A , et al . The nociception coma scale: A new tool to assess nociception in disorders of consciousness [J]. PAIN 2010 , 148 ( 2 ): 215 - 219 . The nociception coma scale: A new tool to assess nociception in disorders of consciousness CHENNU S , FINOIA P , KAMAU E , et al . Spectral signatures of reorganised brain networks in disorders of consciousness [J]. PLoS Computational Biology , 2014 , 10 ( 10 ): e1003887 . Spectral signatures of reorganised brain networks in disorders of consciousness HUANG H J , NIU Z K , LIU G , et al . Early consciousness disorder in acute large hemispheric infarction: An analysis based on quantitative EEG and brain network characteristics [J]. Neurocritical Care , 2020 , 33 ( 2 ): 376 - 388 . Early consciousness disorder in acute large hemispheric infarction: An analysis based on quantitative EEG and brain network characteristics THUL , LECHINGER J , DONISJ , et al . EEG entropy measures indicate decrease of cortical information processing in disorders of consciousness [J]. Clinical Neurophysiology , 2016 , 127 ( 2 ): 14191427 . EEG entropy measures indicate decrease of cortical information processing in disorders of consciousness LÉHEMBRE R , MARIE-AURÉLIE B , VANHAUDENHUYSE A , et al . Resting-state EEG study of comatose patients: A connectivity and frequency analysis to find differences between vegetative and minimally conscious states [J]. Functional Neurology , 2012 , 27 ( 1 ): 41 - 47 . Resting-state EEG study of comatose patients: A connectivity and frequency analysis to find differences between vegetative and minimally conscious states 王凤瑛 , 张丽丽 . 功率谱估计及其Matlab仿真 [J]. 微计算机信息 , 2006 , 22 ( 31 ): 287 - 289 . 功率谱估计及其Matlab仿真 WANG F Y , ZHANG L L . Power spectrum density estim ation and the sim ulation in Matlab [J]. Microcomputer Information , 2006 , 22 ( 31 ): 287 - 289 . Power spectrum density estim ation and the sim ulation in Matlab 蔡立辉 . 基于脑电图的意识障碍多层脑网络分析与评估 [D]. 天津 : 天津大学 , 2020 . 基于脑电图的意识障碍多层脑网络分析与评估 STEFAN S , SCHORR B , LOPEZ-ROLON A , et al . Consciousness indexing and outcome prediction with resting-state EEG in severe disorders of consciousness [J]. Brain Topography , 2018 , 31 ( 5 ): 848 - 862 . Consciousness indexing and outcome prediction with resting-state EEG in severe disorders of consciousness 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 [J]. 生物医学工程学杂志 , 2016 , 33 ( 5 ): 855 - 861 . 基于熵的严重意识障碍脑电信号识别方法 LI X O , TAN Y C , YANG Y . An assment method of electroencephalograph signals in severe disorders of consciousness based on entropy [J]. Journal of Biomedical Engineering , 2016 , 33 ( 5 ): 855 - 861 . An assment method of electroencephalograph signals in severe disorders of consciousness based on entropy 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 [J]. 中国康复医学杂志 , 2008 , 23 ( 8 ): 697 - 699 . 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 WU D Y , PENG X S , LIU L , et al . A study on unconsciousness with approximate entropy and cross approximate entropy [J]. Chinese Journal of Rehabilitation Medicine , 2008 , 23 ( 8 ): 697 - 699 . A study on unconsciousness with approximate entropy and cross approximate entropy WISLOWSKA M , DEL GIUDICE R , LECHINGER J , et al . Night and day variations of sleep in patients with disorders of consciousness [J]. Scientific Reports , 2017 , 7 : 266 . Night and day variations of sleep in patients with disorders of consciousness NEKRASOVA J , KANARSKII M , YANKEVICH D , et al . Retrospective analysis of sleep patterns in patients with chronic disorders of consciousness [J]. Sleep Medicine: X , 2020 , 2 : 100024 . Retrospective analysis of sleep patterns in patients with chronic disorders of consciousness 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 [J]. 西北大学学报(自然科学版) , 2021 , 51 ( 4 ): 558 - 566 . 一种新的基于脑电信号的意识障碍预后评估方法 CHENG Y N , LI S H , SONG J L , et al . A novel EEG-based prognostic assessment for disorders of consciousness [J]. Journal of Northwest University (Natural Science Edition) , 2021 , 51 ( 4 ): 558 - 566 . A novel EEG-based prognostic assessment for disorders of consciousness NEKRASOVA J , KANARSKII M , YANKEVICH D . Overnight polysomnographic records of patients with chronic disorders of consciousness, Part 1 [EB/OL]. [ 2023-03-20 ]. doi: 10.17632/7byy6n8fwr.2 http://doi.org/10.17632/7byy6n8fwr.2 . Overnight polysomnographic records of patients with chronic disorders of consciousness, Part 1 NEKRASOVA J , KANARSKII M , YANKEVICH D . Overnight polysomnographic records of patients with chronic disorders of consciousness, Part 2 [EB/OL]. [ 2023-03-20 ]. doi: 10.17632/cz4mp794z7.2 http://doi.org/10.17632/cz4mp794z7.2 . Overnight polysomnographic records of patients with chronic disorders of consciousness, Part 2 王小宇 , 杨艺 , 李凡 , 等 . 基于被动听觉ERP范式的慢性意识障碍患者个体评估研究 [J]. 中国生物医学工程学报 , 2022 , 41 ( 2 ): 129 - 139 . 基于被动听觉ERP范式的慢性意识障碍患者个体评估研究 WANG X Y , YANG Y , LI F , et al . Individual-level assessment in patients with disorders of consciousness under passive auditory ERP paradigm [J]. Chinese Journal of Biomedical Engineering , 2022 , 41 ( 2 ): 129 - 139 . Individual-level assessment in patients with disorders of consciousness under passive auditory ERP paradigm XIAO J , PAN J H , HE Y B , et al . Visual fixation assessment in patients with disorders of consciousness based on brain-computer interface [J]. Neuroscience Bulletin , 2018 , 34 ( 4 ): 679 - 690 . Visual fixation assessment in patients with disorders of consciousness based on brain-computer interface HERMANN B , STENDER J , HABERT MO , et al . Multimodal FDG-PET and EEG assessment improves diagnosis and prognostication of disorders of consciousness [J]. NeuroImage: Clinical , 2021 , 30 : 102601 . Multimodal FDG-PET and EEG assessment improves diagnosis and prognostication of disorders of consciousness 10.16152/j.cnki.xdxbzr.2023-03-006 TP391.4 国家自然科学基金（12071369，62006189） 2022-10-20 2023-06-25 2023-06-26 2023 39049216 西北大学学报（自然科学版） 3 53