高阶听觉诱发电位记录中若干问题的应用研究

摘要

听觉诱发电位(Auditory evoked potential,AEP)是由声音激发的从内耳至大脑皮质的神经电活动,具有相对固定的起源和潜伏期稳定等特点,可广泛用于评估婴幼儿听力、鉴别诊断听神经病变等临床应用方面,是听觉系统功能型病变诊断的一个重要工具。临床上常规刺激方式主要采用刺激起始间间隔(Stimulus onset asynchrony,SOA)相等的方案。当刺激率提高时,会出现相继产生的AEP首尾重叠的现象,这种AEP称为高刺激率AEP(High stimulus rateAEP,HSR-AEP),其所包含的暂态AEP成分称为高阶AEP(High-order AEP,HO-AEP)。高刺激率的声音刺激会极大增加听觉系统的负荷,有利于提高潜在听神经通路和脑部病变检测的敏感性。神经元在低刺激率和高刺激率下的不同反应,也将为研究听觉神经生理系统的适应性提供重要手段。考虑到在给予相同刺激个数的情况下,高刺激率记录比常规记录的时间要短许多,人们也期望高刺激率记录可以减少记录时间。因此HO-AEP的研究具有十分重要理论价值和应用前景。
　　 HSR-AEP的重叠过程在工程学上可视为HO-AEP与刺激序列进行循环卷积的结果。基于该模型,可以对刺激序列中的各个SOA采用抖动(Jitter)技术(即刺激间隔具有一定随机变化的刺激方式),然后利用去卷积方法恢复出HO-AEP。目前,重建高刺激率下暂态AEP的技术主要有三种:最大长序列(Maximum length sequence,MLS)技术、连续循环平均去卷积(Continuous loopaveraging deconvolution,CLAD)技术和Q序列去卷积(Quasi-periodic sequencedcconvolution,QSD)技术。本文详细介绍了上述去卷积技术的特点和实现方法,并在此基础上从如下几个方面对AEP去卷积的具体问题做了进一步的研究。
　　 1、比较高刺激率条件下应用不同方法还原HO-AEP的有效性,即去卷积技术是否可以提高恢复信号的质量。分别应用常规叠加平均方法、CLAD方法和MLS方法还原HO-AEP。以常规方案为基准,通过计算理想暂态反应与三种方法还原的反应间的相关系数及欧氏距离,评估在相同记录时间条件下高刺激率方案还原信号的质量。结果表明MLS方案比常规方案恢复信号质量略有提高,CLAD方法恢复信号的质量则较低,提示实际应用中CLAD方法反而需要更多的记录时间。说明当存在重叠反应的情况下,采用增加刺激速率的做法不能作为一种提高记录效率的手段。
　　 2、维纳滤波是一种有效解决CLAD技术中刺激序列对噪声敏感问题的方法。但是在实用过程中需要获得关于记录的AEP和噪声成分的功率谱估计。为此本文提出一种迭代计算方案,根据AEP信号的特点,以信噪比等于常数为初始条件,在无需信号先验知识的条件下获得维纳滤波所需的信号和噪声的功率谱比的估计。将这种方法应用于仿真数据和真实数据进行检验,其效果接近理想条件下维纳滤波的理论解。结果表明该方法可在缺乏信号先验知识的条件下,得到一个接近于理论真实值的HO-AEP估计。
　　 3、根据MLS在线性去卷积运算中的基本数学性质,导出去卷积前后信噪比变化的定量关系。通过仿真实验方式,给出不同阶数序列、刺激率和噪声条件下,MLS阶数和刺激率等参数与听觉诱发反应信噪比变化和还原质量的关系。实验结果表明,在噪声环境和刺激率不变的情况下,信噪比的提高与阶数成正比；在噪声环境和阶数不变的情况下,信噪比的变化与刺激率成反比。在已知反应先验知识的情况下,本文所提出的理论公式可较为准确地估计还原反应的信噪比变化情况,为不同实验条件下的最大长序列提供选择依据。
　　 4、采用上述SOA抖动的刺激方法需要AEP的记录设备提供精确可控的SOA设定功能,因此难以在常规设备上实现。Gutschalk等在研究脑磁反应的去卷积问题中采用了一种刺激序列间SOA变化的刺激方案,直接利用逆矩阵方法实现去卷积。该方法忽视了合成矩阵的病态逆问题,计算结果易受噪声影响。本文采用Tikhonov正则化方法解决逆矩阵去卷积的不适定问题,降低了噪声的影响。实验中为两类AEP记录均设计了7组不同刺激率的等间隔SOA序列,通过常规AEP设备分别记录了高刺激率下的听觉脑干反应和中潜伏期反应,比较了直接去卷积方法和正则化去卷积方法对去卷积性能的影响。结果表明Tikhonov正则化去卷积方法较好地重建了高刺激率下的听觉脑干反应和中潜伏期反应,其对HO-AEP的重建性能要优于直接去卷积方法。

目录

文摘

英文文摘

第一章 绪论

1.1 背景和意义

1.2 听觉诱发电位基础

1.2.1 常规ABR和MLR

1.2.2 常规记录和高刺激率记录

1.3 本文的研究内容

1.4 本文结构

第二章 去卷积技术及其在高阶AEP中的应用

2.1 高阶AEP的数学模型

2.2 MLS去卷积技术

2.3 CLAD去卷积技术

2.4 QSD去卷积技术

第三章 高阶AEP去卷积技术的有效性研究

3.1 引言

3.2 方法

3.2.1 数学模型

3.2.2 仿真参数及刺激方案

3.2.3 实验方案及结果计算

3.3 实验结果

3.4 讨论

第四章 迭代维纳滤波算法

4.1 引言

4.2 方法

4.2.1 迭代维纳滤波算法的数学模型

4.2.2 相关参数的选择和数据的获取

4.3 实验结果

4.3.1 处理仿真数据的实验结果

4.3.2 处理真实数据的实验结果

4.4 讨论

第五章 基于最大长序列刺激的AEP信噪比分析

5.1 引言

5.2 数学分析和方法

5.2.1 数学分析

5.2.2 实验方法

5.3 结果

5.4 讨论

第六章 高阶AEP的Tikhonov正则化去卷积算法

6.1 引言

6.2 方法

6.2.1 SJD刺激序列及合成反应

6.2.2 合成变换矩阵的设计

6.2.3 Tikhonov正则化去卷积算法

6.2.4 实验方案

6.3 实验结果与讨论

第七章 总结和展望

参考文献

攻读硕士期间发表或完成的论文

致谢

统计学证明