基于去趨勢(shì)波動(dòng)分析(DFA)的腦卒中后抑郁癥靜息腦電特征提取與識(shí)別

王春方 張力新 劉 爽 孫長(zhǎng)城 王勇軍 趙 欣綦宏志 周 鵬 萬(wàn)柏坤 杜金剛 明 東*

1(天津大學(xué)精儀學(xué)院生物醫(yī)學(xué)工程系，天津 300072)

2(天津市康復(fù)醫(yī)學(xué)研究所，天津市人民醫(yī)院，天津 300121)

引言

根據(jù)世界衛(wèi)生組織最新報(bào)道，腦卒中(stroke)是全球范圍內(nèi)僅次于冠心病和癌癥的位于第三位死亡原因的疾病，并且發(fā)病率呈逐年上升趨勢(shì)。我國(guó)每年新增腦卒中患者200萬(wàn)以上，每年死于腦卒中的人數(shù)超過(guò)150萬(wàn)，目前有700萬(wàn)左右的腦卒中幸存者，其中3/4留有不同程度的后遺癥，其中重度致殘者約占40%，給患者和家庭帶來(lái)了痛苦和沉重的經(jīng)濟(jì)負(fù)擔(dān)［1－2］。

腦卒中后抑郁癥(poststroke depression，PSD)作為腦卒中后發(fā)病率最高的精神類并發(fā)癥，其病死率是無(wú)抑郁癥狀的3～4倍，嚴(yán)重威脅著廣大腦卒中患者的身心健康［3］。到目前為止，PSD的診斷標(biāo)準(zhǔn)尚未統(tǒng)一，評(píng)估方面也無(wú)統(tǒng)一的特異性標(biāo)準(zhǔn)可資借鑒，大多借助功能性抑郁癥的各種診斷標(biāo)準(zhǔn)作為依據(jù)，并借鑒其量表、參數(shù)等。國(guó)外研究者主要依賴DSM－IV(美國(guó)精神障礙診斷與統(tǒng)計(jì)手冊(cè)第4版)診斷標(biāo)準(zhǔn)，國(guó)內(nèi)目前多使用CCMD－Ⅲ(中國(guó)精神疾病分類方案與診斷標(biāo)準(zhǔn)第3版)診斷標(biāo)準(zhǔn)。臨床抑郁測(cè)評(píng)量表的選擇包括Hamilton抑郁癥量表、Beck抑郁自評(píng)量表、老年抑郁癥量表等，但由于PSD患者常伴有一定程度意識(shí)認(rèn)知障礙或失語(yǔ)等，在配合量表自述或患者家屬代述病情時(shí)，往往無(wú)法準(zhǔn)確描述相關(guān)情緒改變等信息，使得醫(yī)師難于準(zhǔn)確判斷，因而造成診斷準(zhǔn)確率較低、漏診率偏高。歸其原因，主要是PSD在診斷方面沒(méi)有特異性的客觀診斷指標(biāo)。

目前，研究學(xué)者普遍認(rèn)為，去甲腎上腺素(NE)、5－羥色胺(5－HT)等單胺類神經(jīng)遞質(zhì)水平低下是造成PSD的主要神經(jīng)生物學(xué)原因［4］。腦電信號(hào)是皮層細(xì)胞群同步活動(dòng)時(shí)突觸后電位的總和，作為突觸前膜向突觸后膜起信息傳遞作用的化學(xué)物質(zhì)，神經(jīng)遞質(zhì)的改變必然會(huì)引起神經(jīng)電生理信號(hào)(腦電信號(hào))的異常，這在相關(guān)文獻(xiàn)中也得到了證實(shí)［5－9］。

靜息狀態(tài)的腦電信號(hào)中包含了大量的信息。已有文獻(xiàn)表明，臨床診斷抑郁癥患者的靜息態(tài)EEG信號(hào)與正常人EEG信號(hào)相比，增加的α頻段和θ頻段功率值與半球間具有不對(duì)稱性［10－11］。以上發(fā)現(xiàn)都是基于時(shí)域和頻域的傳統(tǒng)分析方法。由于EEG信號(hào)屬于非穩(wěn)態(tài)的時(shí)變非線性信號(hào)，越來(lái)越多的研究學(xué)者傾向于用非線性的方法加以分析。已有文獻(xiàn)表明，臨床診斷抑郁癥患者靜息狀態(tài)EEG信號(hào)的復(fù)雜度、分形維數(shù)、瑞利熵等非線性參數(shù)要高于正常人［12－13］。但是，PSD 患者的 EEG 信號(hào)不僅具有復(fù)雜的非線性特性，而且在許多情況下非平穩(wěn)性和隨機(jī)性突出，通常的非線性參數(shù)(如相關(guān)維數(shù)、李亞普諾夫指數(shù))與方法皆難以適用(都要求平穩(wěn)或準(zhǔn)平穩(wěn)條件)。

已有多項(xiàng)研究表明，EEG信號(hào)存在長(zhǎng)時(shí)程相關(guān)性的動(dòng)力學(xué)振蕩特征［14－16］。去趨勢(shì)波動(dòng)分析(detrended fluctuation analysis，DFA)以冪律方式量化時(shí)間序列的時(shí)域波動(dòng)，用標(biāo)度指數(shù)描述時(shí)間序列的標(biāo)度行為或長(zhǎng)程相關(guān)性，適宜研究各種非穩(wěn)態(tài)時(shí)間序列的長(zhǎng)程冪律形式函數(shù)的相關(guān)性，其優(yōu)勢(shì)在于能夠系統(tǒng)地去除數(shù)據(jù)中由外部因素造成的不同階次趨勢(shì)，減少由于不完善的測(cè)量方法引起的噪聲污染［17－18］。近幾年，該方法已被應(yīng)用于生命科學(xué)、地質(zhì)學(xué)，氣象學(xué)以及經(jīng)濟(jì)領(lǐng)域，成為檢測(cè)非平穩(wěn)時(shí)間序列的有效工具。應(yīng)用DFA方法分析EEG信號(hào)，可為分析其在不同時(shí)間尺度上的數(shù)據(jù)相關(guān)性提供定量描述指標(biāo)，已用于睡眠、麻醉及癲癇發(fā)作等狀態(tài)下EEG信號(hào)的特征提取與模式識(shí)別。Lee等利用DFA方法，對(duì)睡眠呼吸暫停綜合征患者的各睡眠分期EEG信號(hào)進(jìn)行了研究，結(jié)果發(fā)現(xiàn)患者從清醒期到睡眠1期、2期、3期、4期，EEG信號(hào)的標(biāo)度指數(shù)值分別為 0.95、1.00、1.12、1.22［19］。隨著睡眠程度的加深標(biāo)度指數(shù)值逐漸增大，說(shuō)明深度睡眠狀態(tài)下比清醒時(shí)的EEG信號(hào)具有更為平滑的振蕩模式。Gifani等利用DFA方法，研究了不同麻醉深度下的EEG信號(hào)，發(fā)現(xiàn)從清醒期、淺度麻醉到深度麻醉，標(biāo)度指數(shù)值從0.8上升至2.0［20］。Parish等對(duì)癲癇患者的顱內(nèi)EEG信號(hào)進(jìn)行了去趨勢(shì)波動(dòng)分析，發(fā)現(xiàn)致癲癇的海馬區(qū)部位EEG信號(hào)標(biāo)度指數(shù)值在0.68～0.88范圍內(nèi)波動(dòng)，而非癲癇海馬區(qū)的則在0.60－0.69范圍內(nèi)波動(dòng)［14］。Lee等對(duì)普通抑郁癥患者和正常人的EEG信號(hào)進(jìn)行了DFA分析，結(jié)果顯示抑郁癥患者各導(dǎo)聯(lián)EEG信號(hào)標(biāo)度指數(shù)均值為0.90，而與之對(duì)應(yīng)的健康人標(biāo)度指數(shù)均值為0.78，統(tǒng)計(jì)學(xué)顯示存在顯著性差異［21］。

本研究嘗試?yán)肈FA方法，對(duì)正常健康人、腦卒中后無(wú)抑郁癥患者和腦卒中后抑郁癥患者三類被試者靜息狀態(tài)下的EEG信號(hào)進(jìn)行長(zhǎng)程冪函數(shù)相關(guān)性分析，希望通過(guò)統(tǒng)計(jì)學(xué)分析，能提取到相應(yīng)特征參數(shù)，尋找到區(qū)分各類被試者的模式識(shí)別方法，從而為腦卒中后抑郁癥診斷提供具有特異性的客觀診斷指標(biāo)與方法。

1 腦電數(shù)據(jù)采集

1.1 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)對(duì)象包括腦卒中患者組11人和健康對(duì)照組10人。11名腦卒中患者是天津市南開(kāi)大學(xué)人民醫(yī)院康復(fù)科門診或住院患者，年齡在43～70周歲之間、(57.8±10.5)歲，其中7名男性、4名女性。11名腦卒中患者中有7名腦卒中后抑郁癥患者，4名腦卒中后無(wú)抑郁患者。所有腦卒中后抑郁癥患者均符合CCMD－Ⅲ抑郁癥診斷標(biāo)準(zhǔn)，Hamilton抑郁量表評(píng)分均大于15分;所有腦卒中后無(wú)抑郁癥患者的Hamilton抑郁量表評(píng)分均小于15分。10名健康對(duì)照組年齡在39～63周歲之間，(56.3±7.2)歲，其中3名男性、7名女性，該組被試的Hamilton抑郁量表評(píng)分均小于5分。所有實(shí)驗(yàn)對(duì)象均為右利手。

1.2 腦電數(shù)據(jù)采集

EEG數(shù)據(jù)采集使用NicoletOne 32通道數(shù)字視頻腦電圖儀。電極按照國(guó)際標(biāo)準(zhǔn)導(dǎo)聯(lián)10～20電極系統(tǒng)位置安放(電極阻抗小于10 kΩ)，以Cz作為參考電極，記錄16導(dǎo)聯(lián)頭皮EEG信號(hào)(Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6);信號(hào)采樣率為250 Hz，A/D轉(zhuǎn)換精度為12 bit，，濾波范圍為0.1～70 Hz。實(shí)驗(yàn)條件為遠(yuǎn)離電磁干擾的弱光環(huán)境，要求受試者在保持清醒的狀態(tài)下閉目休息。在獲取EEG數(shù)據(jù)后，進(jìn)行變參考、濾波、消除干擾偽跡和獨(dú)立成分分析(independent component analysis，ICA)等處理，最終選擇240 s長(zhǎng)度數(shù)據(jù)進(jìn)行離線分析。

2 數(shù)據(jù)分析與分類方法

2.1 DFA分析與標(biāo)度指數(shù)α

去趨勢(shì)波動(dòng)分析(DFA)是一種改進(jìn)的均方根分析方法，它相對(duì)于常用的分形分析方法具有以下兩個(gè)優(yōu)點(diǎn):一是能夠檢測(cè)出時(shí)間序列信號(hào)中表面看似不平穩(wěn)但其內(nèi)在深含的自相似性;二是能夠避免誤檢由于外在因素驅(qū)動(dòng)而導(dǎo)致明顯的自相似性趨勢(shì)［22］，具有去偽存真的長(zhǎng)處。以每1 s數(shù)據(jù)為單位時(shí)間序列 x(k)，k={1，2，…，N}(N=250)進(jìn)行DFA分析，具體算法如下:

1)構(gòu)造時(shí)間序列x(k)的去均值的和序列y(i)

式中，〈x〉為時(shí)間序列項(xiàng)x(k)的均值。

2)數(shù)據(jù)長(zhǎng)度分割:將和序列y(i)分割為長(zhǎng)度為s的不重疊片段，片段個(gè)數(shù)Ns=N/s，本研究中的分割時(shí)間長(zhǎng)度取11個(gè)值:0.1，0.15，0.2，0.25，…，0.55，0.6 s(對(duì)應(yīng)數(shù)據(jù)長(zhǎng)度分別為:25，38，50，63，75，88，100，113，125，138，150)。

3)去除數(shù)據(jù)趨勢(shì):通過(guò)最小二乘法擬合每一個(gè)子區(qū)間 v(v=1，2，…，Ns)上的局部趨勢(shì)函數(shù)Pv(j)(Pv(j)為第v個(gè)片段的二次曲線擬合多項(xiàng)式)，則區(qū)間長(zhǎng)度為 s的去趨勢(shì)波動(dòng)時(shí)間序列為Ys(i)，有

4)計(jì)算DFA波動(dòng)函數(shù):分別計(jì)算Ns個(gè)區(qū)間去趨勢(shì)時(shí)間序列的平方均值為

求所有區(qū)間均值的平方根，得到DFA波動(dòng)函數(shù)

若原始時(shí)間序列x(k)是長(zhǎng)程冪函數(shù)相關(guān)的，則波動(dòng)函數(shù)以冪函數(shù)增加，即F(s)∝sa。

5)計(jì)算標(biāo)度指數(shù)α

以雙對(duì)數(shù)坐標(biāo)畫出DFA波動(dòng)函數(shù)F(s)和區(qū)間長(zhǎng)度s的函數(shù)關(guān)系曲線，并通過(guò)線性擬合計(jì)算曲線的斜率，即為標(biāo)度指數(shù)α值。

標(biāo)度指數(shù)α為長(zhǎng)程冪函數(shù)相關(guān)性提供了一個(gè)定量化指標(biāo)。若α＜0.5，則表明分段時(shí)間序列相互獨(dú)立;若0.5＜α＜1.0，則表示分段時(shí)間序列存在長(zhǎng)程冪率形式的持續(xù)相關(guān)性(具有分形維數(shù)的自相似性);若α=1，則表明分段時(shí)間序列以1/f噪聲［23］方式起伏漲落;若1.0＜α＜1.5，則表明分段時(shí)間序列不具備長(zhǎng)程相關(guān)性;若α=1.5，則表明分段時(shí)間序列為布朗噪聲，即隨機(jī)無(wú)關(guān)。

2.2 獨(dú)立樣本t檢驗(yàn)

為進(jìn)一步探討3組被試者EEG數(shù)據(jù)所具有長(zhǎng)程相關(guān)性的差異，將各被試者16導(dǎo)聯(lián)EEG信號(hào)的標(biāo)度指數(shù)α值作為樣本，分別比較了健康對(duì)照組與腦卒中患者組的各導(dǎo)聯(lián)α均值和標(biāo)準(zhǔn)差、腦卒中后無(wú)抑郁組與腦卒中后抑郁組各導(dǎo)聯(lián)α均值和標(biāo)準(zhǔn)差，并對(duì)其差異的顯著性水平進(jìn)行了獨(dú)立樣本t檢驗(yàn)。

獨(dú)立樣本t檢驗(yàn)是一種常用的統(tǒng)計(jì)分析方法，用于檢驗(yàn)相互獨(dú)立的兩個(gè)來(lái)自正態(tài)總體的樣本均值和方差是否來(lái)源于同一總體。該方法的基本思想是應(yīng)用t分布的特征，將t作為統(tǒng)計(jì)量來(lái)進(jìn)行檢驗(yàn)，其統(tǒng)計(jì)量的計(jì)算為

2.3 模式識(shí)別與分類

為尋找具有特異性的腦卒中后抑郁癥客觀診斷方法，嘗試以被試者靜息態(tài)下16導(dǎo)聯(lián)EEG信號(hào)的標(biāo)度指數(shù)α值作為特征參數(shù)，采用支持向量機(jī)(support vector machines，SVM)分類器對(duì)上述3組被試者EEG數(shù)據(jù)進(jìn)行模式識(shí)別研究。SVM是建立在統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法，在解決小樣本、非線性和高維度模式識(shí)別問(wèn)題中表現(xiàn)出突出優(yōu)勢(shì)［2］，目前在生物電信號(hào)識(shí)別、醫(yī)學(xué)圖像分割等領(lǐng)域都獲得了廣泛應(yīng)用。在分類識(shí)別中，使用每名被試者所對(duì)應(yīng)的40個(gè)樣本值，根據(jù)其標(biāo)度指數(shù)α值轉(zhuǎn)換為分類標(biāo)簽值，以判別其所屬分組類型。選擇多項(xiàng)式作為SVM核函數(shù)，第n個(gè)樣本相應(yīng)的分類函數(shù)為

式中，多項(xiàng)式核函數(shù)

每名被試者的分類判決值F(x)為

式中，g為每名被試者的40個(gè)樣本值中標(biāo)簽值為1的個(gè)數(shù)，h為可調(diào)整閾值參數(shù)。

對(duì)于健康對(duì)照組與腦卒中患者組EEG信號(hào)間的分類，1代表健康對(duì)照組，－1代表腦卒中患者組，結(jié)果驗(yàn)證使用10折交叉驗(yàn)證的方法進(jìn)行。對(duì)于腦卒中后無(wú)抑郁癥患者組和腦卒中后抑郁癥患者組EEG信號(hào)間的分類，1代表腦卒中后無(wú)抑郁癥患者組，－1代表腦卒中后抑郁癥患者組，結(jié)果驗(yàn)證使用留一法進(jìn)行。在對(duì)健康對(duì)照組與腦卒中患者組進(jìn)行分類識(shí)別時(shí)，健康對(duì)照組的Hamilton量表評(píng)分(2.6±2.5)與腦卒中患者組的Hamilton量表評(píng)分(15.7±6.8)相差較大，只有當(dāng)40個(gè)樣本中絕大部分樣本判別為健康對(duì)照組時(shí)，才將此被試判別為健康人，所以h值選取相對(duì)較大;在對(duì)腦卒中后無(wú)抑郁癥組與腦卒中后抑郁癥組進(jìn)行分類識(shí)別時(shí)，腦卒中后無(wú)抑郁癥組的Hamilton量表評(píng)分(9.3±1.9)與腦卒中后抑郁癥組的Hamilton量表評(píng)分(19.4±5.6)相差較小，當(dāng)40個(gè)樣本中有一定部分樣本判別為腦卒中后無(wú)抑郁癥組時(shí)，即可將此被試判別為腦卒中后無(wú)抑郁癥組，所以h值選取相對(duì)較小。

3 結(jié)果

3.1 獨(dú)立樣本t檢驗(yàn)

圖1為健康對(duì)照組、腦卒中后無(wú)抑郁癥組及腦卒中后抑郁癥組中3個(gè)典型被試C3導(dǎo)聯(lián)處EEG的DFA函數(shù)線性擬合結(jié)果，標(biāo)度指數(shù) α值分別為0.602、0.760、0.921，顯示出 3 組被試者 EEG 均具有長(zhǎng)程冪律形式的持續(xù)相關(guān)性。

圖1 DFA波動(dòng)函數(shù)的線性擬合圖Fig.1 Linear fit figure of DFA fluctuation function

圖2為健康對(duì)照組與腦卒中患者組各導(dǎo)聯(lián)標(biāo)度指數(shù)α均值與標(biāo)準(zhǔn)差的比較，圖3為腦卒中后無(wú)抑郁組與腦卒中后抑郁組各導(dǎo)聯(lián)標(biāo)度指數(shù)α均值與標(biāo)準(zhǔn)差的比較。從圖2和圖3中可以看出，上述所有受試者EEG的標(biāo)度指數(shù)α值均在0.5～1之間，說(shuō)明健康人與腦卒中患者EEG信號(hào)均滿足長(zhǎng)程冪函數(shù)相關(guān)性(具有分形自相似性)。健康對(duì)照組各導(dǎo)聯(lián)標(biāo)度指數(shù)α均值均小于腦卒中患者組，經(jīng)獨(dú)立樣本 T 檢驗(yàn)，C3、C4、P3、P4、O1、T5、T6 等 7 個(gè)導(dǎo)聯(lián)具有顯著性差異(*:P＜0.05);腦卒中后無(wú)抑郁組標(biāo)度指數(shù)α均值除P4、F8兩導(dǎo)聯(lián)以外，其他導(dǎo)聯(lián)均小于等于腦卒中后抑郁組，但經(jīng)獨(dú)立樣本t檢驗(yàn)，各導(dǎo)聯(lián)值均無(wú)顯著性差異。

3.2 模式識(shí)別與分類

圖2 健康對(duì)照組與腦卒中患者組的腦電信號(hào)標(biāo)度指數(shù)α(*:與健康對(duì)照組對(duì)比，P＜0.05;＊＊:與健康對(duì)照組對(duì)比，P＜0.01)均值與標(biāo)準(zhǔn)差比較Fig.2 The mean and the standard deviation of the scaling exponent for healthy controls and poststroke subjects(*:compared with healthy controls，P ＜0.05;＊＊:compared with healthy controls，P ＜0.01)

圖3 腦卒中后無(wú)抑郁組與腦卒中后抑郁組的腦電信號(hào)標(biāo)度指數(shù)α均值與標(biāo)準(zhǔn)差比較Fig.3 The mean and the standard deviation of the scaling exponent for poststroke depression subjects and poststroke non-depression subjects

對(duì)于健康對(duì)照組與腦卒中患者組，EEG信號(hào)間的10折交叉驗(yàn)證結(jié)果顯示，當(dāng)閾值參數(shù)h取25時(shí)，分類正確率可以達(dá)到85.0%;當(dāng)h取30時(shí)，分類正確率可以達(dá)到100%。這表明，用標(biāo)度指數(shù)α值作為特征參數(shù)來(lái)區(qū)分健康人和腦卒中患者，具有很好的識(shí)別效果。對(duì)于腦卒中后無(wú)抑郁癥患者組與腦卒中后抑郁癥患者組EEG信號(hào)的留一法驗(yàn)證結(jié)果顯示，當(dāng)h取10時(shí)，分類正確率可以達(dá)到72.7%;當(dāng)h取9時(shí)，分類正確率可以達(dá)到90.9%。這表明，用標(biāo)度指數(shù)α值作為特征參數(shù)區(qū)分腦卒中后無(wú)抑郁癥患者和腦卒中后抑郁癥患者也有較好的識(shí)別效果。

4 討論和結(jié)論

表征腦卒中患者和健康人靜息態(tài)EEG信號(hào)去趨勢(shì)波動(dòng)分析(DFA)的標(biāo)度指數(shù)值均在0.5～1之間，表明兩類人群靜息態(tài)EEG信號(hào)均具有長(zhǎng)程的冪律關(guān)聯(lián)性，符合長(zhǎng)程冪率形式的分形系統(tǒng)動(dòng)力學(xué)行為特征，EEG信號(hào)波動(dòng)行為在不同時(shí)間尺度上具有某種相似性。健康人各導(dǎo)聯(lián)靜息態(tài)EEG信號(hào)去趨勢(shì)波動(dòng)分析(DFA)的標(biāo)度指數(shù)值均小于腦卒中患者，在 C3、C4、P3、P4、O1、T5、T6 等 7 個(gè)導(dǎo)聯(lián)具有顯著性統(tǒng)計(jì)差異。由分形動(dòng)力學(xué)可知，當(dāng)標(biāo)度指數(shù)值在0.5～1之間時(shí)，值越大，說(shuō)明信號(hào)的自相似規(guī)律性較強(qiáng)，意味著信息熵較低(值=1時(shí)，表現(xiàn)為1/f噪聲);反之值越小，則信號(hào)的隨機(jī)性較強(qiáng)，意味著信息熵較高(值=0.5時(shí)，表現(xiàn)為白噪聲)。這說(shuō)明，腦卒中患者靜息態(tài)EEG信號(hào)相對(duì)于健康人具有更強(qiáng)的自相似規(guī)律性，振蕩模式更為平滑，可能是腦卒中患者腦部結(jié)構(gòu)病理性改變所致。關(guān)于造成不同人群及不同生理病理狀態(tài)下EEG信號(hào)表現(xiàn)出的長(zhǎng)程冪函數(shù)相關(guān)性的差異性原因，還沒(méi)有完全清楚，一些研究推測(cè)，這與神經(jīng)振蕩產(chǎn)生的特殊機(jī)制相關(guān)，標(biāo)度行為或長(zhǎng)程相關(guān)性的差異反映著神經(jīng)元振蕩可能受到與其起源相關(guān)的特殊機(jī)制的影響［18］;本研究推測(cè)，腦卒中引起的神經(jīng)元壞死等腦部病理性改變使得EEG信號(hào)振蕩源特性發(fā)生了改變，進(jìn)而影響了EEG信號(hào)的振蕩模式。有關(guān)研究表明，標(biāo)度指數(shù)值可以有效地量化大腦自發(fā)振蕩的潛在動(dòng)力學(xué)過(guò)程特征［16］，不同節(jié)律EEG振蕩有其特異性標(biāo)度指數(shù)值?；诖?，本研究下一步的工作重點(diǎn)之一為:利用去趨勢(shì)波動(dòng)分析(DFA)，研究不同節(jié)律下各組人群EEG信號(hào)的長(zhǎng)程冪函數(shù)相關(guān)性特征。腦卒中后無(wú)抑郁癥患者絕大多數(shù)導(dǎo)聯(lián)靜息態(tài)EEG信號(hào)去趨勢(shì)波動(dòng)分析(DFA)的標(biāo)度指數(shù)值小于腦卒中后抑郁癥患者，表明抑郁狀態(tài)對(duì)腦電生理活動(dòng)的長(zhǎng)程冪相關(guān)性也有所影響。抑郁癥患者靜息態(tài)EEG信號(hào)振蕩模式更為平滑，衰減更為緩慢。本研究推測(cè)，腦卒中后抑郁癥患者由于特定部位腦組織(尤其是神經(jīng)細(xì)胞)受損引起神經(jīng)遞質(zhì)釋放減少，相對(duì)于腦卒中后無(wú)抑郁癥患者神經(jīng)元振蕩模式有所不同。雖然本研究EEG實(shí)驗(yàn)數(shù)據(jù)未檢驗(yàn)出其間顯著性統(tǒng)計(jì)學(xué)差異，但利用支持向量機(jī)(SVM)分類工具，將DFA的特征參數(shù)值放入高維特征空間進(jìn)行模式識(shí)別，仍可以取得高達(dá)90%的分類正確率，正說(shuō)明DFA具有前述能夠檢測(cè)出時(shí)間序列信號(hào)中表面看似不平穩(wěn)但其內(nèi)在深含的自相似性，即去偽存真的長(zhǎng)處。未檢驗(yàn)出統(tǒng)計(jì)學(xué)意義上的顯著性差異可能是由于樣本量的限制，本研究將繼續(xù)收集腦卒中后兩類人群的靜息態(tài)EEG信號(hào)做進(jìn)一步分析，以得到更加顯著可靠的結(jié)論。

通過(guò)對(duì)11名腦卒中患者(其中7名患抑郁癥，4名未患抑郁癥)和10名健康對(duì)照組受試者靜息態(tài)EEG信號(hào)進(jìn)行去趨勢(shì)波動(dòng)分析(DFA)，提取其特征參數(shù)(標(biāo)度指數(shù)值)，利用支持向量機(jī)(SVM)分類器進(jìn)行模式識(shí)別，可以得到以下初步結(jié)論:一是腦卒中患者和健康人靜息態(tài)EEG信號(hào)均具有長(zhǎng)程的冪律關(guān)聯(lián)性;二是相對(duì)于健康人，腦卒中患者的靜息態(tài)EEG信號(hào)具有更強(qiáng)的自相似規(guī)律性，振蕩模式更為平滑，而腦卒中后抑郁癥患者較無(wú)抑郁癥患者此現(xiàn)象更為嚴(yán)重。

綜上所述，筆者認(rèn)為可以考慮基于受試者靜息狀態(tài)下EEG信號(hào)的去趨勢(shì)波動(dòng)分析(DFA)，提取其標(biāo)度指數(shù)值作為腦卒中后抑郁癥的特征參數(shù)，再利用支持向量機(jī)(SVM)進(jìn)行高維特征空間模式識(shí)別，這有望為臨床腦卒中后抑郁癥(PSD)提供客觀有效的輔助診斷手段，所以值得深入繼續(xù)研究。

［1］王文志.中國(guó)腦卒中流行病學(xué)特征和社區(qū)人群干預(yù)［J］.中國(guó)醫(yī)學(xué)前沿雜志，2009，1(2):49 －53.

［2］丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述［J］. 電子科技大學(xué)學(xué)報(bào)，2011，40(1):2 －10.

［3］Angelelli P，Paolucci S，Bivona U，et al.Development of neuropsychiatric symptomsin poststroke patients:a crosssectional study［J］.Acta Psychiatr Scand，2004，110(1):55 －63.

［4］何舒，林渝峰，李霞.抑郁癥的發(fā)病機(jī)制研究進(jìn)展［J］.四川生理科學(xué)雜志，2006，28(3):126 －128.

［5］Baskaran A，Milev R，McIntyre RS.The neurobiology of the EEG biomarker as a predictor of treatment response in depression［J］.Neuropharmacology，2012，63(4):507－513.

［6］Koek RJ，Yerevanian BI，Tachiki KH，et al.Hemispheric asymmetry in depression and mania A longitudinal QEEG study in bipolar disorder［J］.Journal of Affective Disorders，1999，53(2):109－122.

［7］陳愛(ài)美.基于神經(jīng)振蕩的抑郁癥腦電信號(hào)分析［D］.秦皇島:燕山大學(xué)，2010.

［8］胡巧莉.基于相位同步分析方法的抑郁癥腦電信號(hào)的研究［J］. 中國(guó)醫(yī)療器械雜志，2010，34(4):246 －249.

［9］Davidson RJ.Anterior electrophysiological asymmetries，emotion，and depression:Conceptual and methodological conundrums［J］.Psychophysiology，1998，35(5):607 －614.

［10］Pollock V，Schneider L.Quantitative，waking EEG research on depression［J］.Biol Psychiatry，1990，27(7):757 －780.

［11］Henriques JB，Dividson RJ. Regional brain electrical asymmetriesdiscriminatebetween previouslydepressed and healthy control subjects［J］.J Abnorm Psychol 1990，99(1):22－31.

［12］Ahmadlou M，Adeli H，Adeli A.Fractality analysis of frontal brain in major depressive disorder ［J］.Int J Psychophysiol，2012，85(2):206－211.

［13］李穎潔，邱意弘，朱貽盛.腦電信號(hào)分析方法及其應(yīng)用［M］.北京:科學(xué)出版社，2009:111－117.

［14］梁曉花.基于腦電心電數(shù)據(jù)融合的睡眠分期［D］.南京:江蘇大學(xué)，2008.

［15］Watters PA，Martin F.A method for establishing long－range power law correlations from the electroencephalogram［J］.Biol Psychiatry，2004，66:79 －89.

［16］Nikulin VV，Brismar T.Long－range temporal correlations in electroencephalographic oscillations:relation to topography，frequency band，age and gender［J］.Neuroscience，2005，130:549－58.

［17］Watters PA，Martin F.A method for estimating long－range power law correlations from theelectroencephalogram ［J］. Biol Psychiatry，2004，66(1):79 －89.

［18］Nikulin VV，Brismar T.Long－range temporal correlations in electroencephalographic oscillations:relation to topography，frequency band，age and gender［J］.Neuroscience，2005，130(2):549－558.

［19］Lee JM，Kim DJ，Kim IY，et al.Nonlinear－analysis of human sleep EEG using detrended fluctuation analysis［J］.Med Eng Phys，2004，26(9):773 －776.

［20］Gifani P，Rabiee HR，Hashemi MH，et al.Optimal fractalscaling analysis of human EEG dynamic for depth of anesthesia quantification［J］.J Franklin Inst，2007，344:212 －229.

［21］Lee JS，Yang BH，Lee JH，et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls［J］.Clinical Neurophysiology，2007，118:2489 －2496.

［22］Parish LM，Worrell GA，Cranstoun SD，et al.Long－range temporal correlations in epileptogenic and non－epileptogenic human hippocampus［J］.Neuroscience，2004，125(4):1069 －1076.

［23］Bak P，Tang C，Wiesenfeld K.Self－organized criticality:an explanation of the 1/f noise［J］.Phys Rev Lett，1987，59(4):381－384.