自適應(yīng)多尺度熵在腦死亡診斷中的應(yīng)用*

倪力 曹建庭 王如彬?

(1．華東理工大學認知神經(jīng)動力研究所，上海 200237)(2．日本琦玉工業(yè)大學大學院工學研究科，日本琦玉縣深谷市 396－0293)(3．日本理化研究所腦科學研究中心，日本琦玉縣和光市 351－0198)

自適應(yīng)多尺度熵在腦死亡診斷中的應(yīng)用*

倪力1曹建庭2，3王如彬1?

(1．華東理工大學認知神經(jīng)動力研究所，上海 200237)(2．日本琦玉工業(yè)大學大學院工學研究科，日本琦玉縣深谷市 396－0293)(3．日本理化研究所腦科學研究中心，日本琦玉縣和光市 351－0198)

本文引入自適應(yīng)多尺度熵的方法，并結(jié)合當前常用的經(jīng)驗模型分解的方法，使得數(shù)據(jù)尺度能自適應(yīng)的被獲?。ㄟ^從原數(shù)據(jù)中不斷移除低頻或高頻成分，自適應(yīng)多尺度熵能夠在“從粗糙到精細”或是“從精細到粗糙”的尺度下用樣本熵估計求得．模擬結(jié)果用來確認了其有效性，同時我們將其應(yīng)用到腦死亡診斷中，用來區(qū)分腦死亡病人和昏迷病人在腦電信號上的不同．

腦電信號， 腦死亡診斷， 自適應(yīng)多尺度熵， 樣本熵

引言

腦死亡的定義是完全的、不可逆和永久的腦和腦干功能喪失，但即便是在這樣定義下，由于一些臨床的因素，我們很難對于腦死亡的判定精確實施．傳統(tǒng)的臨床測試在一些場合下代價昂貴、花費時間過長，甚至會引起危險(如自主呼吸測試)．為了避免這樣的缺點，我們提出了腦電預檢測流程，并將其安插在自主呼吸之前，這將會使整個腦死亡測試更為簡單有效并降低風險，如此還能幫助醫(yī)生判斷是否有繼續(xù)進行腦死亡測試的必要［1］．為了確認偽腦死狀態(tài)，我們將采用腦電圖儀這種為人們所熟知的臨床工具來觀測腦信號，而事實上，已經(jīng)有許多國家已經(jīng)采用了這樣的方法來評估腦皮層的功能缺失［1］，［2］．我們的研究目的就是提供一個基于腦電分析的數(shù)學計算方法來為腦死亡診斷提供一個清晰的標準，同時幫助臨床醫(yī)生來具體實施．

非線性生理系統(tǒng)的復雜度已在世界范圍內(nèi)在健康和病態(tài)的區(qū)別中被廣泛研究．一個生理時間序列所攜含的復雜度信息往往直接反映了生理系統(tǒng)的狀態(tài)［3］．近似熵和樣本熵在復雜度分析中是切實有效的，給予我們一個更好的視角來理解生物系統(tǒng)．Pincus首先引入了近似熵(Approximate Entropy，ApEn)的方法，并且在分析心電和其他一些時間序列中表現(xiàn)出色［4］．Richman和Moorman在此基礎(chǔ)上開發(fā)了樣本熵(Sample Entropy，SampEn)算法，相比之下，解決了近似熵會因計算過程中的“自我比較”引起偏差的問題［5］．Costa引入了多尺度的計算方法，同時將之結(jié)合樣本熵計算—將多尺度特性也納入了考慮［6］．多尺度的方法在對于原數(shù)據(jù)進行線性平滑的過程中不可避免的丟失了重要信息，此外在尺度提取方面不能很好地適應(yīng)非線性和非平穩(wěn)的信號．

為了解決上述問題，我們提出了自適應(yīng)多尺度熵的方法來分析數(shù)據(jù)．不同于標準的多尺度方法，我們通過經(jīng)驗模型分解(Empirical Mode Decomposition，EMD)從數(shù)據(jù)中分離出本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)來確定計算所使用的尺度;經(jīng)驗模型分解是一個完全由數(shù)據(jù)驅(qū)動的時頻技術(shù)，用來自適應(yīng)地將一個信號分解成數(shù)個調(diào)制成分—本征模態(tài)函數(shù)．本征模態(tài)函數(shù)代表著一種單一的振蕩形式，并具有良好的性質(zhì)．于是我們可以不斷從原數(shù)據(jù)中移除低頻或是高頻成分，并定義“從粗糙到精細”或是“從精細到粗糙”這兩個過程來通過樣本熵的方法來計算其數(shù)據(jù)的復雜度的變化［7］［8］．我們希望通過此方法來探究昏迷病人和腦死亡病人在腦電分析中的復雜度和能量不同，并希望能夠進一步將實驗數(shù)據(jù)與計算神經(jīng)科學結(jié)合來完善這方面的工作［9～11］．

此文中，我們首先介紹樣本熵的計算方法和經(jīng)驗模型分解的計算流程;然后結(jié)合并運用上述兩種方法，提出了我們的自適應(yīng)多尺度熵的方法，并用來計算所采集的腦電數(shù)據(jù)．最后是結(jié)論和討論．

1 腦電數(shù)據(jù)分析方法

1．1 樣本熵

對于樣本熵的的計算方法中，對于一個有限的長度為N的時間序列U=［u1，u2，…，uN］，按順序構(gòu)造出m維矢量Xi=［ui，ui+1，…，ui+m－1］和Xj=［uj，uj+2，…，uj+m－1］，其中i，j≤N－m+1．計算出Xi和Xj的距離．

令表示為Xi和Xj距離在r以內(nèi)的數(shù)目乘上(N－m)－1，其中1≤j≤N－m+1，i≠j．

1．2 多尺度分析

用多尺度樣本熵(Multiscale entropy，MSE)的手段來分析腦電信號內(nèi)固有的復雜度變化是十分有必要的，而這種思想也首先由 Costa提出［6］．我們認為在不同尺度下的動力學系統(tǒng)的復雜度會揭示出其結(jié)構(gòu)的不同，而此類特征可以幫助我們很好的解決問題．

給定一個長度為N的一維的離散時間序列U=［u1，u2，…，uN］，將其分成長度為 epsilon 的不重疊的時間窗口，并將時間窗口內(nèi)的數(shù)據(jù)取平均值，由此，我們可以得到一個“粗糙化”的新時間序列

通過將維數(shù)增加到m+1，重復式(1)(2)中的步驟，我們可以得到Am+1．樣本熵的表達式為

式中1≤j≤N/∈．對于重構(gòu)的尺度為∈的新時間序列，計算出其相應(yīng)的樣本熵的值并且繪制出樣本熵關(guān)于尺度的函數(shù)．經(jīng)過這樣的處理，所得數(shù)據(jù)便是原數(shù)據(jù)的1/epsilon了，當然當∈=1時，數(shù)據(jù)長度保持不變．

1．3 經(jīng)驗模型分解

經(jīng)驗模型分解是完全由數(shù)據(jù)驅(qū)動的方法，它將一個時間序列分解成一系列基于尺度獨立的本征模態(tài)函數(shù)集，從而表征了數(shù)據(jù)的內(nèi)在振蕩形式．

1．4 自適應(yīng)多尺度熵

我們提出的自適應(yīng)多尺度熵(Adaptive Multiscale Entropy，AME)主要包含了兩個步驟:1)通過經(jīng)驗模型分解在各個尺度上將數(shù)據(jù)分解成一系列本征模態(tài)函數(shù);2)在所選定的尺度上，計算其樣本熵的值．而每個尺度是由不斷移除低頻或高頻成分的過程決定的．此過程定義了“從粗糙到精細(c2f)”或是“從精細到粗糙(f2c)”這兩個算法(高通或是低通)．

算法1:“從精細到粗糙”自適應(yīng)多尺度熵

1)通過經(jīng)驗模型分解獲得本征模態(tài)函數(shù)．

2)從原數(shù)據(jù)中從第一個本征模態(tài)函數(shù)開始開始連續(xù)移除高頻的本征模態(tài)函數(shù)，

3)自適應(yīng)多尺度熵是在每一個尺度上計算其樣本熵的值來獲取每一個獨立尺度上的熵，

算法2:“從粗糙到精細”自適應(yīng)多尺度熵

1)通過經(jīng)驗模型分解獲得本征模態(tài)函數(shù)．

2)從原數(shù)據(jù)中從第一個本征模態(tài)函數(shù)開始開始連續(xù)移除低頻的本征模態(tài)函數(shù)，

3)自適應(yīng)多尺度熵是在每一個尺度上計算其樣本熵的值來獲取每一個獨立尺度上的熵，

2 實驗結(jié)果

2．1 實驗環(huán)境

在我們目前的研究中，腦電實驗是在醫(yī)院的重癥監(jiān)護室中進行的．在腦電數(shù)據(jù)記錄中，我們將7個電極放置在病人的前額．其中6個通道與之相對應(yīng)電極(Fp1，F(xiàn)p2，F(xiàn)3，F(xiàn)4，F(xiàn)7，F(xiàn)8)連接;另一通道GND接地，其采樣頻率均為1000赫茲．

2．2 樣本熵的結(jié)果

首先讓我們來關(guān)注一下下面的表格，其中分別記錄了昏迷病人(C)腦死病人(D)的近似熵和樣本熵在不同閾值和通道的實驗結(jié)果．通常我們采樣100－5000個數(shù)據(jù)點，置m=2，閾值為r×SD．

表1 令 r=0．15×SD，在這個閾值下計算每一個通道間的差值d=0．97Table 1 Set r=0．15 ×SD，with this threshold，calculate the average difference d=0．97

表2 各個通道在閾值r=0．15×SD下同一病人在昏迷和腦死亡狀態(tài)下樣本熵的差值d=1．48Table 2 Sample entropy results of a certain patient in the state of coma(C)and brain death(D)for each channel with threshold r=0．15 × SD，d=1．48

從表1中我們可以看出樣本熵的值能顯著的區(qū)分昏迷病人和鬧死病人．此外，計算腦死病人和昏迷病人間的差值，不難發(fā)現(xiàn)，尤其在閾值為r=0．15×SD的樣本熵案例中，相較之其他情況兩狀態(tài)的界線尤為清晰．總之，我們以樣本熵的計算作為我們研究的首選．同時為了消除這種差異是由不同的病人引起的，我們在表2中另舉一例以進一步證實我們的觀點．

顯然，對于同一個人的不同狀態(tài)，其樣本熵的值依然是有巨大差異的，這意味著樣本熵的方法可以有效的幫助我們來進行腦死亡診斷．

但是，為了嚴謹?shù)膶ΥX死亡診斷，我們需要更為可靠的數(shù)學工具來提高我們計算的可靠性．單純使用樣本熵雖然在一定程度上已經(jīng)能很好的區(qū)分這兩種狀態(tài)，但是我們在多次計算和使用中也會發(fā)現(xiàn)一些不盡人意的結(jié)果．于是我們提出了自適應(yīng)多尺度熵的方法來幫助我們提高計算的準確性，降低臨床操作中帶來的風險．

2．3 自適應(yīng)多尺度熵的結(jié)果

通過經(jīng)驗模型分解我們對與所采集的的所有數(shù)據(jù)的任一時間段進行運算，將其分解成一系列本征模態(tài)函數(shù)．于是這樣我們可以根據(jù)已經(jīng)定義的兩個過程，在每一個尺度上計算時間序列的樣本熵的值．我們希望通過在不同的時間尺度上找到一些顯著的特征來幫助我們區(qū)分昏迷病人和腦死亡病人．

如圖1所示，我們對總計60段腦電數(shù)據(jù)進行多尺度計算，對于昏迷病人的腦電數(shù)據(jù)的樣本熵的值，其通常能夠分解6～7個成分(包括殘余)，在不斷移除高頻成分的過程中，其樣本熵的值呈單調(diào)遞減的趨勢，不難解釋這是由于隨著高頻成分的減少，時間序列呈顯更強的規(guī)律性和自相似性，所以復雜度降低，樣本熵的值也會隨之降低;相比較之下，鬧死病人的腦電數(shù)據(jù)(由環(huán)境噪聲構(gòu)成)也呈現(xiàn)同樣的單調(diào)遞減性，但是其在前4個尺度下的樣本熵的值均高于昏迷病人，這說明對于一段主要由噪聲構(gòu)成的腦電數(shù)據(jù)，其復雜度要遠高于具有節(jié)律性的腦活動的昏迷病人，在實驗中我們也發(fā)現(xiàn)對于腦死亡病人腦電數(shù)據(jù)通常能夠分解成7～8個成分，較之昏迷病人，其成分更為復雜．

在此粗糙化的過程中，最大的差距依然發(fā)生在尺度1的地方，兩種狀態(tài)的差距隨著尺度的增加而減?。词故沁@樣，我們可以確保在每一個尺度均有樣本熵的數(shù)值的巨大差距來增加我們實驗的準確率和可行性．

緊接著我們進行了精細化計算，即從腦電數(shù)據(jù)中不斷移除低頻成分，其結(jié)果如圖2所示．在此過程中兩種狀態(tài)下的曲線均呈現(xiàn)出先遞增后遞減的形狀，當我們移除前幾個低頻成分時，腦電數(shù)據(jù)的復雜度增加，當繼續(xù)移除以至于成分越來越少時，數(shù)據(jù)復雜度自然就降低了，所以有上述的形狀．同樣的，幾乎在每一個尺度上腦死亡病人的樣本熵值均明顯高于昏迷病人的．此外，兩者間最明顯的差距發(fā)生在尺度2，而不是原數(shù)據(jù)處．這為我們區(qū)分昏迷病人和腦死亡病人的腦電提供了寶貴的參考．

作為比較我們同樣提供多尺度熵的計算結(jié)果，如圖3所示．我們?nèi)×?00個尺度進行粗糙話處理，在每一個尺度上計算樣本熵的值．我們可以發(fā)現(xiàn)在低尺度上差距依然是巨大的，昏迷病人的曲線呈現(xiàn)出單調(diào)遞增而反之腦死亡病人的卻是單調(diào)遞減，產(chǎn)生的一個問題是，隨著尺度的增加，兩者數(shù)值會發(fā)生翻轉(zhuǎn)，這可能會對我們的判斷造成困惑．

圖1 對于所有樣本的從精細到粗糙自適應(yīng)多尺度熵的分析，比較昏迷狀態(tài)(紅色圓圈)與腦死亡狀態(tài)(藍色方塊)．最大的差距發(fā)生在尺度1處(原數(shù)據(jù))Fig．1 Fine－to－Coarse AME results for all samples，coma(red circle)versus brain death(blue square)．The most significant differences occur at the first scale(raw data)

圖2 對于所有樣本的從粗糙到精細自適應(yīng)多尺度熵的分析，比較昏迷狀態(tài)(紅色圓圈)與腦死亡狀態(tài)(藍色方塊)．最大的差距發(fā)生在尺度2處，由綠色橢圓標注Fig．2 Coarse－to－Fine AME results for all samples，coma(red circle)versus brain death(blue square)．The most significant differences occur at the second scale marked by green ellipse

圖3 對于所有樣本的多尺度熵的分析，比較昏迷狀態(tài)(紅色圓圈)和腦死亡病人(藍色星號)Fig．3 MSE results for all samples，coma(red circle)versus brain death(blue asterisk)

3 結(jié)論

本文提出了基于經(jīng)驗模型分解的自適應(yīng)多尺度熵的方法，并運用樣本熵在每一個尺度上計算其復雜度．將所采集的腦電數(shù)據(jù)分解成的一系列獨立尺度的本征模態(tài)函數(shù)，將其從原數(shù)據(jù)中移除，從而定義了粗糙化和精細化的這兩個過程，并結(jié)合腦死亡診斷，在計算數(shù)值上十分明顯的區(qū)別，證明了此方法的有效性和可行性，并且能夠為其他的數(shù)據(jù)比較提供思路．對于我們實驗中的非線性、非平穩(wěn)的腦電信號處理中，我們得到了如下結(jié)論:

(1)對于腦死亡病人的腦電數(shù)據(jù)的復雜度在每一個尺度上均高于昏迷病人的腦電數(shù)據(jù)，說明昏迷病人存在節(jié)律性腦電活動，其復雜度較低．

(2)對于兩種狀態(tài)的比較，在粗糙化過程中，最大差距發(fā)生在尺度1處;在精細化過程中，最大差距發(fā)生在尺度2處．尺度的選擇會提高我們腦死亡診斷的準確性．

(3)兩種狀態(tài)的腦電數(shù)據(jù)成分數(shù)量也不同，昏迷病人的成分較之腦死亡病人會比較少，也是從一個側(cè)面證明了其復雜度較低，具有節(jié)律性腦活動．

1 Cao J，Chen Z．Advanced EEG signal processing in brain death diagnosis．In:Signal Processing Techniques for Knowledge Extraction and Information Fusion．2008，275～297

2 Eelco F，Wijdicks M．Brain death worldwide．Neurology，2002，58:20～25

3 Taylor R M．Reexaming the definition and criteria of death．Seminars in Neurology，1997，17:265～270

4 Pincus S M．Approximate entropy as a measure of system complexity ．Proceedings of the National Academy of Sciences of the United States of America．1991，88(6):2297～2301

5 Richman J S，Moorman J R．Physiological time－series analysis using approximate entropy and sample entropy．AJP－Heart and Circulatory Physiology，2000，278(6):2039～2049

6 Costa M，Goldberger A L，Peng C －K．Multiscale entropy analysis of complex physiologic time series．Physical Review Letters，2002，89(6):68～102

7 Hu M，Liang H．Intrinsic mode entropy based on multivariate empirical mode decomposition and its application to neural data analysis．Cognitive Neurodynamics，2011，5(3):277～284

8 Hu M，Liang H．Adaptive multiscale entropy analysis of multivariate neural data．IEEE Transactions on Biomedical Engineering，2011，59(1):12 ～15

9 汪雷，劉深泉．皮層錐體神經(jīng)元模型的動力學分析．動力學與控制學報，2011，9(1):49～53(Wang L，Liu S Q．Dynamical analysis of cortical pyramidal neuron model．Journal of Dynamics and Control，2011，9(1):49 ～53(in Chinese))

10 王海俠，陸啟韶，鄭艷紅．神經(jīng)元模型的復雜動力學:分岔與編碼．動力學與控制學報，2009，7(4):293～296(Wang H X，Lu Q S，Zheng Y H．Complex dynamics of the neuronal model:bifurcation and encoding．Journal of Dynamics and Control，2009，7(4):293 ～ 296(in Chinese))

11 王如彬，張志康，沈恩華．大腦皮層內(nèi)神經(jīng)元集團的能量演變．動力學與控制學報，2008，6(1):55～60(Wang R B，Zhang Z K，Shen E H．Energy evolution of neural population in cerebral cortex．Journal of Dynamics and Control，2008，6(1):55 ～60(in Chinese))

*The project supported by the National Natural Science Foundation of China(11232005)，Research Fund for the Doctoral Program of Higher Education of China(20120074110020)

? Corresponding author E－mail:rbwang@163．com

BRAIN DEATH DIAGNOSIS BASED ON ADAPTIVE MULTI-SCALE ENTROPY ANALYSIS*

Ni Li1Cao Jianting2，3Wang Rubin1?
(1．Institute for Cognitive Neurodynamics，East China University of Science and Technology，Shanghai200237，China)(2．Saitama Institute of Technology1690Fusaiji，F(xiàn)ukaya-shi，Saitama369-0293，Japan)(3．Brain Science Institute，RIKEN2-1Hirosawa，Wako-shi，Saitama351-0198，Japan)

This paper introduced the adaptive multi－scale entropy(AME)measures，in which the scales are adaptively derived from the data by virtue of recently developed empirical mode decomposition．By removing the low or high frequency components from the raw data，the AME can be estimated at either coarse－to－fine or fine－tocoarse scales，over which the sample entropy is performed．Simulations illustrate its effectiveness and promising application in brain death diagnosis to discern the states of the coma and the brain death．

EEG signal， brain death diagnosis， adaptive multi－scale entropy， sample entropy

8 June 2013，

16 June 2013．

10．6052/1672－6553－2013－086

2013－06－08 收到第 1 稿，2013－06－16 收到修改稿．

*國家自然科學基金資助項目(11232005)，教育部博士點基金資助項目(20120074110020)

E－mail:rbwang@163．com