許學(xué)添, 蔡躍新
(1. 廣東司法警官職業(yè)學(xué)院 信息管理系, 廣東 廣州 510520;2. 中山大學(xué)孫逸仙紀(jì)念醫(yī)院 耳鼻喉科聽力學(xué)與言語研究所, 廣東 廣州 510120)
耳鳴被廣泛認(rèn)為是在沒有聲音事件情況下的聲音感知,其發(fā)病率較高,成年人耳鳴患病率約為17%,目前沒有明確的病因及治療方法,普遍認(rèn)為耳鳴不僅由外周聽力損失引起,而且還由于大腦中樞聽覺通路中的異常神經(jīng)活動引起[1],大腦的病變是引起耳鳴的主要原因。因此,隨著腦電圖、腦磁圖、功能磁共振成像等大腦信息表達(dá)技術(shù)的發(fā)展,為觀察探究中樞神經(jīng)系統(tǒng)提供了有效的手段,也為耳鳴的研究打開了新的視角。其中腦電圖由于其有效地描述了大腦神經(jīng)元的電活動及信息傳遞,而且具有較高的時間、空間、頻譜分辨率,在耳鳴分析中應(yīng)用得較多。Cai等[2]通過大腦微狀態(tài)研究了耳鳴病人與正常人微狀態(tài)持續(xù)時間、轉(zhuǎn)換率等的差異;Li等[3]提取了各路導(dǎo)聯(lián)腦電信號的相位信息并通過余弦映射成特征值,再進(jìn)行SVM分類;Alonso等[4]建立一種以腦電圖(EEG)活動評估為基礎(chǔ)的聲學(xué)治療耳鳴的客觀方法,其評估指標(biāo)就是腦電圖信號與刺激音頻的事件相關(guān)振蕩EROs值。
這些分析,大多是從信號本身的特征(幅值、頻譜、相位)去分析耳鳴病人與正常人的EEG信號差異,無法反映大腦的連通關(guān)系。大腦作為一個神經(jīng)元的連通網(wǎng)絡(luò),是一個復(fù)雜的動力學(xué)系統(tǒng),已有一些研究通過各路腦電信號間的相關(guān)性運算,建立大腦功能性網(wǎng)絡(luò)[5],再運用復(fù)雜網(wǎng)絡(luò)的理論與方法,分析大腦的網(wǎng)絡(luò)連接,例如Supriya等[6]通過lucasa可見圖算法[7]建立了大腦連接網(wǎng)絡(luò),并引入了復(fù)雜網(wǎng)絡(luò)統(tǒng)計特性檢測不同邊緣強度的癲癇腦電信號。Gao等[8]根據(jù)不同節(jié)點的EEG信號之間的相對小波熵建立大腦復(fù)雜網(wǎng)絡(luò),提取了一系列的網(wǎng)絡(luò)統(tǒng)計量來表征大腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),進(jìn)行基于腦電圖的疲勞駕駛分類。Supriya等[9]提出了一種用于癲癇綜合征檢測的復(fù)雜網(wǎng)絡(luò)可視化圖邊緣加權(quán)方法,用復(fù)雜網(wǎng)絡(luò)來描述癲癇腦電信號的自動檢測方法。Li等[10]通過信號的相關(guān)性建立了大腦連接網(wǎng)絡(luò),通過網(wǎng)絡(luò)加權(quán)模體和帶顏色模體進(jìn)行高階網(wǎng)絡(luò)分析。這些大腦連接網(wǎng)絡(luò)都是通過計算信號之間的相關(guān)性來建立,沒有考慮大腦神經(jīng)元的同步放電特征,本文提出了一種新的耳鳴檢測方法,從EEG信號的相位關(guān)系為出發(fā)點,根據(jù)不同節(jié)點EEG信號的鎖相值建立節(jié)點的連接關(guān)系,建立大腦功能網(wǎng)絡(luò)連接圖,分析該圖的多個復(fù)雜網(wǎng)絡(luò)特征形成特征向量,再利用機器學(xué)習(xí)分類算法對耳鳴組與正常組的EEG信號進(jìn)行分類檢測。
腦電信號不同頻帶內(nèi)的相位同步已被證明是解釋神經(jīng)元整合的一種可能機制[11],通過鎖相值(PLV)來表示兩路腦電信號的相位同步關(guān),鎖相值的計算如式(1)。
(1)
(2)
其中Ci(t,ω)為第i路信號Si的RID-Rihaczek分布[12],如式(3)。
(3)
Ai(θ,τ)為第i路信號Si的模糊函數(shù)為式(4)。
(4)
定義每個導(dǎo)聯(lián)電極所測量區(qū)域為圖中的一個節(jié)點,將多路EEG信號抽象為一個由點集和邊集組成的圖G:G=(V,E),其中V為節(jié)點的集合,對應(yīng)EEG腦號采集的導(dǎo)聯(lián)節(jié)點,E為邊的集合,若任兩個節(jié)點i和j的EEG信號間的鎖相值PLVij大于等于閾值δ,則認(rèn)為大腦區(qū)域的節(jié)點i和j之間有連接關(guān)系,鄰接矩陣W對應(yīng)的元素ωij=1,反之,ωij=0,表示大腦區(qū)域的節(jié)點i和j之間有沒有連接關(guān)系。整個大腦功能網(wǎng)絡(luò)圖的建立如圖1所示。
圖1 建立大腦功能網(wǎng)絡(luò)
基于復(fù)雜網(wǎng)絡(luò)理論的大腦連接網(wǎng)絡(luò)圖中具有很多有價值的網(wǎng)絡(luò)特征,提取這些復(fù)雜網(wǎng)絡(luò)特征參數(shù)可以有效反映大腦網(wǎng)絡(luò)的狀態(tài)。本文所計算的復(fù)雜網(wǎng)絡(luò)特征的計算方式及描述,如表1所示。
表1 復(fù)雜網(wǎng)絡(luò)特征指標(biāo)描述
根據(jù)8個復(fù)雜網(wǎng)絡(luò)特征構(gòu)建特征網(wǎng)絡(luò)向量,如式(5)。
(5)
本文耳鳴患者的EEG數(shù)據(jù)來源于就診中山大學(xué)孫逸仙紀(jì)念醫(yī)院耳科門診,共有25份樣本,對照組是25位正常人的EEG數(shù)據(jù)。數(shù)據(jù)的收集采用美國EGI公司的128導(dǎo)腦分析儀,對每個受試者原始數(shù)據(jù)進(jìn)行預(yù)處理,具體步驟包括:① 加載與電極帽電極位置相對應(yīng)的坐標(biāo)文件;② 通過凹陷濾波,去除50 Hz工頻干擾;③ 進(jìn)行0.5~80 Hz的帶通濾波;④ 去掉眼睛周邊及位于鼻根等與大腦中樞無直接相關(guān)的電極;⑤ 去除壞電極;⑥ 使用ICA算法將偽跡相關(guān)的獨立成分去除。
大腦功能網(wǎng)絡(luò)具有小世界網(wǎng)絡(luò)的無標(biāo)度特性,其度分布遵循冪律分布,正常組、耳鳴組大腦功能網(wǎng)絡(luò)和隨機網(wǎng)絡(luò)的度分布圖,如圖2所示。
圖2 網(wǎng)絡(luò)度分布圖
可見正常人與耳鳴患者的大腦功能網(wǎng)絡(luò)度分布呈現(xiàn)“長尾效應(yīng)”,基本滿足冪律分布,對應(yīng)節(jié)點數(shù)的隨機網(wǎng)絡(luò)度分布則呈現(xiàn)泊松分布。
正常組、耳鳴組和隨機網(wǎng)絡(luò)的聚類系數(shù)和特征路徑長度,如圖3所示。
(a) 聚類系數(shù)
無論是正常組還是耳鳴組,大腦功能網(wǎng)絡(luò)的聚類系數(shù)平均值都大于隨機網(wǎng)絡(luò),特征路徑長度平均值都小于隨機網(wǎng)絡(luò),符合較大聚類系數(shù)和較短特征路徑長度的小世界網(wǎng)絡(luò)特性,因此兩者對應(yīng)的小世界系數(shù)大于1。
根據(jù)大腦功能網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)特征向量 作為輸入特征,本文采用支持向量機(SVM)、K最近鄰(KNN)、隨機森林(RF)和梯度提升決策樹(GBDT)分類器對正常人與耳鳴患者的腦電信號分類,通過網(wǎng)格搜索方法,5折交叉驗證法尋找各個分類器的最優(yōu)參數(shù),用準(zhǔn)確率、精確率、召回率和F1-score四個指標(biāo)和RCO曲線來衡量分類結(jié)果,如表2所示。
表2 分類結(jié)果
4種分類器的ROC曲線如圖4所示。
圖4 四種分類器ROC曲線
SVM分類器具有最好的分類結(jié)果,準(zhǔn)確率達(dá)到94%。對于耳鳴患者與正常人的大腦復(fù)雜網(wǎng)絡(luò)特征分類,由于RF分類器比較依賴數(shù)據(jù)樣本量或者較高的數(shù)據(jù)維度,GBDT分類器對異常值較敏感,因此分類效果不如適應(yīng)小樣本量、泛化能力較強的KNN分類器和SVM分類器。
本文利用鎖相值建立大腦功能性網(wǎng)絡(luò),提取了正常人與耳鳴患者的8個復(fù)雜網(wǎng)絡(luò)特征以分析大腦功能性網(wǎng)絡(luò)。結(jié)果表明,正常人與耳鳴患者的大腦功能網(wǎng)絡(luò)都具有小世界網(wǎng)絡(luò)特性:無標(biāo)度特性、較大的聚類系數(shù)和較小的特征路徑長度;這些復(fù)雜網(wǎng)絡(luò)特征能夠有效描述大腦的信息傳輸能力,反映不同功能區(qū)域的連接和反應(yīng),并在兩類人群上都體現(xiàn)了差別;根據(jù)這些復(fù)雜網(wǎng)絡(luò)特征值,采用支持向量機、K最近鄰、隨機森林和梯度提升決策樹4種分類器進(jìn)行分類比較,SVM算法取得最好的分類效果,準(zhǔn)確率達(dá)到94%,驗證了將復(fù)雜網(wǎng)絡(luò)理論應(yīng)用到在大腦功能性網(wǎng)絡(luò)的分類中,能取得較好的效果,為大腦神經(jīng)損傷類疾病的智能識別,提供了一種新的思路。