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

摘要

本发明公开了康复医学中脑电中风评估研究领域的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，包括如下步骤：获取静息态脑电数据；对脑电数据进行除杂；选取预定频段的脑电数据；以相干系数为权值构建加权脑功能网络；计算脑功能网络的聚类系数和全局效率；以聚类系数和全局效率为特征建立对康复阶段进行分类的评估模型。本发明以中风患者静息态脑电数据为支撑，以脑电信号的相干系数为权值构建脑功能网络，并以脑功能网络的各项拓扑特性建立评估模型，用以对中风患者进行分类识别，可使得中风患者的分类正确率高达85.8%。

说明书

技术领域

本发明涉及康复医学中脑电中风评估研究领域，具体涉及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。

背景技术

一直以来，脑出血或梗塞被认为是世界上导致死亡和长期残疾的主要原因。当患者中风时，脑部血液供应的中断、颅内压的升高以及所释放血液的毒性作用都可能导致对脑组织的严重损害。根据病变部位的不同，可能会导致各种身体机能障碍，比如肌肉无力，感觉丧失和认知缺陷，这些都可能对中风幸存者的生活质量产生重大影响。尽管组织损伤通常是不可逆的，但已证明可以通过利用大脑的重塑能力来部分恢复身体机能，并且中风后的康复计划可以在康复过程中发挥重要作用。

运动功能的临床评估一直是中风后康复的重要组成部分。通过在整个康复计划中进行运动功能评估，临床医生能够跟踪患者的康复进度，并针对康复评估结果定制培训方案。现阶段的康复评估都是由临床医生依据评估量表打分，面临着评估效率不高、评价指标不同等问题，为了提高中风后运动功能评估的效率和可靠性，需要自动和客观的评估方法。

电生理信号在临床医学中的应用非常广泛，脑电信号含有丰富的生理和病理信息。脑电信号综合反映了大脑的功能状态，各种形式的思维状态及病理情况都会在脑电信号中得以体现，头皮脑电信号具有时间分辨率高、采集安全方便等特点。

发明内容

经过长期的研究，发明人发现：中风患者的脑电信号在频域和时域上的特征都与健康人都存在明显差异，因此可以通过对脑电信号的分析处理，建立一个评估模型，用于评估中风患者的康复程度，补充传统评估方式的不足。

有鉴于此，本发明的目的在于提供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，以解决现有技术中由临床医生依据评估量表打分存在的评估效率不高、评价指标不同等问题，并取得提高中风后运动功能评估的效率和可靠性的有益效果。

本发明所采用的技术方案为：

设计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，包括以下步骤：

步骤S1，获取静息态脑电数据；

步骤S2，对步骤S1获取的脑电数据进行除杂；

步骤S3，选取预定频段的步骤S2除杂后的所述脑电数据；其中，所述预定频段包括delta段、alpha1段、alpha2段、beta1段、beta2段、beta段和gamma 段；

步骤S4，计算步骤S3选取的所述脑电数据的相干系数，以采集所述脑电数据的电极位置为节点，以所述节点间的连接为边，以相干系数为权值构建加权脑功能网络；

步骤S5，计算所述脑功能网络的聚类系数和全局效率；

其中，所述聚类系数的计算公式为：

其中，N表示网络中的节点个数，k

全局效率的计算公式为：

其中，N表示网络中的节点个数，l

步骤S6，以步骤S5得到的聚类系数和全局效率为特征，通过支持向量机建立对的评估模型。

进一步的，所述步骤S1具体为：于安静环境中对受试者采集4分钟的所述脑电数据，受试者全程处于睁眼坐姿状态中。

进一步的，所述脑电数据的采集设备为Wearable Sensing的DSI-24干电极脑电采集设备，所述设备共有24个通道，其中18个导联采集脑电信号，采样频率为300Hz，DC直流采集模式，电极位置按照国际标准10/20设置。

进一步的，所述步骤S2中的除杂包括：

带通滤波，所述带通滤波选用MATLAB中EEGLAB工具箱中的eegfilt滤波函数，滤波时的通带频率设置为0.5～45Hz。

进一步的，所述步骤S2中的除杂还包括：伪迹去除，所述伪迹去除采用二阶盲源分离法去除眼电伪迹。

进一步的，所述步骤S3选取的所述预定频段的脑电数据包括：

0.5～4Hz的delta段的脑电数据，

8～10Hz的alpha1段的脑电数据，

10～12Hz的alpha2段的脑电数据，

13～20Hz的beta1段的脑电数据，

20～30Hz的beta2段的脑电数据，

13～30Hz的beta段的脑电数据，

30～45Hz的gamma段的脑电数据。

进一步的，所述步骤S4具体为：以采集所述脑电数据的电极位置为节点，所述节点间的连接为边，以各个所述节点的脑电信号的相干系数为权值构建加权脑功能网络；其中，计算各个所述节点的脑电信号的相干系数的公式为：

G

进一步的，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，通过支持向量机算法建立所述评估模型如下：

其中，m为样本数，

进一步的，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，以80％的样本数据作为训练集，剩余20％数据作为测试集，通过支持向量机算法建立所述评估模型。

本发明的另一目的在于提供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方法，使用上述方法构建的评估模型，将获取的患者的静息态脑电数据导入所述评估模型并输出分类结果。

与现有技术相比，本发明的有益技术效果是：

本发明以中风患者静息态脑电数据为支撑，以脑电信号的相干系数为权值构建脑功能网络，并以脑功能网络的各项拓扑参数建立评估模型，用以对中风患者进行分类识别，可使得中风患者的分类正确率高达85.8％。

附图说明

图1为本发明具体实施例的流程图；

图2为本发明具体实施例的节点位置图；

图3为本发明具体实施例中的康复评估流程图；

图4为本发明具体实施例中基于聚类系数的秩和检验结果；

图5为本发明具体实施例中基于全局效率的秩和检验结果；

图6本发明具体实施中中风恢复初期、中期、后期的聚类系数；

图7本发明具体实施中中风恢复初期、中期、后期的全局效率；

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1-图7所示，根据本发明实施例的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，包括以下步骤：

步骤S1，获取静息态脑电数据；具体为：

于安静环境中，使用脑电信号采集设备对适量中风患者采集多通道静息态脑电数据；脑电信号采集设备使用Wearable Sensing的DSI-24干电极脑电采集设备，该系统共有24个通道，其中18个导联采集脑电信号，采样频率为 300Hz，DC直流采集模式，电极位置按照国际标准10/20设置。在脑电信号采集过程中，受试者应全程坐在座椅上以保持坐姿，受试者目视放置于正前方液晶显示器，并使双眼视觉注视点位于显示器中间，采集期间避免肢体动作和眨眼动作，睁眼采集4分钟。

步骤S2，对脑电数据进行除杂；具体为：

步骤S21：基线校正；由于在脑电信号采集过程中电极的晃动以及电极与头皮间的阻抗发生变化等因素，会发现有时采集到的EEG信号初始值不为零，会对后续的分析造成干扰；本实施例采用去均值法来做基线校正。

步骤S22：带通滤波；选用MATLAB中EEGLAB工具箱中的eegfilt滤波函数对基线校正后的脑电信号进行滤波。eegfilt滤波函数对脑电信号进行滤波时，可以减少相位延迟，减少滤波造成的相位偏移，滤波时通带频率设置为 0.5-45Hz。

步骤S23：伪迹去除：手动去除干扰较大的波形，然后采用二阶盲源分离的方法去除脑电信号中的眼电伪迹。

步骤S3，选取预定频段的所述脑电数据；具体为：

步骤S31：划分频段；具体为：将除杂后的脑电信号以频率划分为八个频段，分别为：0.5～4Hz的delta段，4～7Hz的theta段，8～10Hz的alpha1 段，10～12Hz的alpha2段，13～20Hz的beta1段，20～30Hz的beta2段， 13～30Hz的beta段和30～45Hz的gamma段；13～30Hz的beta段也可以称为beta段；本申请中将13～30Hz的脑电数据划分为三个频段，相比于单一的 beta段，可使计算出的聚类系数和全局效率的差异更加明显。

步骤S32：选取脑电数据；具体为：选取0.5～4Hz的delta段，4～7Hz的 theta段，8～10Hz的alpha1段，10～12Hz的alpha2段，13～20Hz的beta1 段，20～30Hz的beta2段，13～30Hz的beta段和30～45Hz的gamma段的脑电数据，舍弃4～7Hz的theta段脑电数据。

需要说明的是，舍弃4～7Hz的theta段脑电数据的理由是：通过AR模型的功率谱估计法分析脑电信号的能量在频域上的分布时，对照组和患者组的 4～7Hz的theta段脑电数据的相对功率谱具有显著差异；其中显著差异是通过T检验得到的，通过对照组和患者组的相对功率谱进行统计检验，得出P 值小于0.05的频段。

步骤S4，计算所述脑电数据的相干系数，并以相干系数为权值构建加权脑功能网络；具体为：以采集脑电信号的电极位置为节点，节点间的连接为边，以各节点相干系数为权值构建加权脑功能网络；每一个节点代表一个电极通道，每条边表示节点之间的相互关系，计算各节脑电信号的相干系数时，相干系数的计算公式为：

COH(相干系数)的取值表示两个信号在相同频率上相互之间线性关系的强弱，取值范围为[0，1]，G

计算脑电信号之间的COH时，采用复小波卷积进行信号的频率划分，计算后的COH结果为矩阵形式，整个矩阵的均值作为两信号的COH值。其中，矩阵的行代表时域，列代表频域，在a行b列上的相干值反映了两信号在时间点a上频谱范围为b的信号成分之间相关关系。

步骤S5，计算脑功能网络的聚类系数和全局效率；

特征路径长度描述网络内节点之间信息传递的性能，反应脑区间功能整合水平的高低。最短路径长度是衡量网络的信息传递能力，即两个节点之间信息传递的最优路径长度。其公式为：

其中，N表示节点个数，l

全局效率表示了网络的集成程度，可以较好的度量网络的信息处理和传输能力；全局效率越高，网络节点之间传递信息的速率就越快。其公式为：

其中，N表示网络中的节点个数，l

聚类系数是指一个节点间与周围节点相互连接的可能性，网络中将所有节点聚类系数总和的平均值作为网络的聚类系数。网络聚类系数的大小表明了网络中交互传递耗费的代价。其公式为：

其中N表示节点综述，k

步骤S6，以聚类系数和全局效率为特征通过支持向量机建立对康复阶段进行分类的评估模型；具体为：

将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，以80％的样本数据作为训练集，剩余20％数据作为测试集，通过支持向量机算法 (MATLAB)建立中风康复评估模型对康复阶段进行分类，以用于患者康复评估。

其中，m为样本数，

支持向量机(Support Vector Machiine,SVM)优化的最终目标的是得到一个超平面w·x+b＝0将数据分成两类。分类的可靠度主要依据特征空间中数据距离超平面的远近，当距离越远时，分类的结果越可靠。同时引入拉格朗日乘子，求得最优分类函数。

本发明还提供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方法，使用上述方法构建的评估模型，将获取的患者的静息态脑电数据导入所述评估模型并输出分类结果。

本实施例公开的的中风康复评估方法对卒中恢复期患者的分类正确率为 85.8％±1.1％。如图3、图4所示，在gamma频段，前、中、后期患者的脑网络全局效率之间具有显著性差异。从趋势上看，随着患者评分等级的提高，在 beta以及gamma频段，脑网络特征参数在减少。

本发明以中风患者静息态脑电数据为支撑，在脑电信号功率谱分析的基础上进行脑网络分析，从相干系数脑功能网络的角度，结合脑网络各项拓扑特性建立评估模型，并以brunnstrom评分为标准，将病患组划分为卒中恢复初期、卒中恢复中期和卒中恢复后期，对三组患者的网络拓扑特性参数进行统计分析，根据统计学检验结果选择可用来反映康复阶段的特征，再利用SVM算法对选择的特征分类识别，使得中风患者的分类正确率高达85.8％。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。