基于IAF的alpha波段静息态脑磁信号特征提取*

赵建英，黄晓霞（上海海事大学　信息工程学院，上海　201306）

基于IAF的alpha波段静息态脑磁信号特征提取*

赵建英，黄晓霞
（上海海事大学信息工程学院，上海201306）

针对精神分裂患者静息态脑磁特征提取的问题，提出一种基于EMD和样本熵的非线性动力学方法对脑磁信号特征进行提取。该方法首先用ICA对静息态MEG数据进行预处理；继而基于IAF进行波段提取，得到快α、慢α1和慢α2波段；然后分别由EMD和样本熵进行处理。结果表明，精神分裂患者的各波段样本熵普遍高于正常人，尤其是慢α1波段大脑左半球额叶、枕叶、颞叶区。

MEG；IAF；EMD；样本熵；精神分裂症；静息态

0　引言

精神分裂症［1］临床上往往表现为症状各异的综合征，涉及感知觉、思维、情感和行为等多方面的障碍以及精神活动的不协调。随着科技的发展，人们逐渐认识到静息状态［2］下与人脑认知、意识和情绪相关的alpha波形与精神分裂症的认知异常有紧密的关系。由于频域范围和能量谱可能存在较大的个体差异，因此，采用个体化频谱分布方法——个体化α峰频（Individual Alpha Frequency，IAF）［3］对alpha波段（慢α1、慢α2、快α亚频）进行研究，可以弱化个体差异。

1　数据描述

静息态MEG数据是来自美国国立精神健康MEG核心实验室用VSM MedTech Ltd公司的一套产自加拿大的CTF-275 SQUID设备得到的。本实验选取精神分裂症病例8名，正常人8名，数据记录了273个有效通道，时长为4min，采样频率为600Hz。

2　方法描述

2.1个体化α峰频IAF

KLIMESCH W等人［3］将5～14Hz范围内最高波幅所对应的频率定义为个体化α峰频，由此将α频段分为慢α1（IAF×0.6～IAF×0.8）、慢α2（IAF×0.8～IAF）、快α（IAF～IAF×1.2）亚频。已有研究表明，α亚频的功能涉及注意、抑制等精神疾病易损的认知领域，其异常在静息态或任务态均有体现。

2.2经验模式分解EMD

经验模式分解［4］（Empirical Mode Decomposition，EMD）是一种时频数据分析方法，通常适用于非线性和非稳定性信号的处理，其主要思想是从复杂信号中分离出有限个本征模态函数（Intrinsic Mode Function，IMF），这些IMF分量具有不同的频率成分。

2.3样本熵

样本熵［5］是时间序列复杂度的一种度量，在分析生物信号序列的复杂度分析中已经获得成功应用。样本熵具体算法步骤如下：

（1）对于一个由N点组成的原始信号x（1），x（2）…x（N）。

（2）按顺序组成一组m维矢量

Xm（i）=［x（i），x（i+1），...，x（i+m-1）］，1≤i≤N-m

（3）定义矢量Xm（i）与Xm（j）之间的距离d［Xm（i），Xm（j）］为两者对应元素中差值最大的一个，即：

d［Xm（i），Xm（j）］=max［|x（i+k）-x（j+k）|］，0≤k≤m-1，i≠j，i≥1，j≤N-m。

（4）给定阈值r=0.2std，对每一个i值统计d［Xm（i），Xm（j）］小于r的数目，并计算该数目与距离总数的比值，用（r）表示，即：

（5）求其对于所有的i的平均值，用Bm（r）表示：

（6）将维数加1，即组成m+1维矢量，重复步骤（1）～（5），并分别用（r）与Am（r）表示。

（7）定义样本熵为：

（8）当N为有限值时，式（1）表示为：

3　过程描述

3.1预处理过程

本实验MEG数据记录的是受试者静息态脑磁信息，经过fieldtrip去趋势预处理得到273个有用信道（降低采样率为150Hz）。利用盲源信号分离技术消噪［6］，将16个样本（8名患者，8名正常人）的脑磁信号进行ICA［7］去噪处理，剔除噪声成分（心电、眼动等），获得相对纯净的信号。

3.2个体化α峰频处理

正常人IAF在8.92Hz左右，患者组IAF则在9.14Hz左右，如表1所示。

表1　IAF分布

3.3特征提取过程

将前期处理的MEG数据进行EMD分解，得到各个样本中各个信道的IMF分量，通过对IMF分量进行谱分析，其中前8个IMF分量集中了脑磁信号的主要能量。本研究将前8个IMF分量求和，计算样本熵。为避免数据两端奇化带来的影响，计算样本熵时采用了较为稳定的50～100s的数据。

4　结果分析

4.1脑区间结果

实验将观测的273个有效通道划分为1.MLC、2.MLF、3.MLO、4.MLP、5.MLT、6.MRC、7.MRF、8.MRO、9.MRP、10.MRT、11.MZ，共11个脑区（MZ是中间竖线脑区通道），如图1所示，其中L为左，R为右，F为额叶，C为中央区，P为顶叶，O为枕叶，T为颞叶。图2～图4为正常组和患病组脑区样本熵箱型图，其中横轴为脑区，纵轴为熵值，深色是正常人，浅色是病人，对各样本脑区样本熵分别做了算术平均。由图可以清楚地看到，患病组的平均值明显高于正常组的平均值（尤其是慢α1波）。

图2　快α波

图3　慢α1波

图4　慢α2波

由以上图可以看到快α波、慢α1和慢α2波在大脑前额叶部位，患者组的样本熵远远高于正常组，这和前额叶作为情感与认知功能的高级中枢，被认为在精神分裂的发病中扮演重要角色相符。

4.2本地通道特征结果

图5～图7是本地273个有效通道正常组和患病组脑磁信号样本熵拓扑图。图中的具体数值为脑磁信号样本熵复杂度值，图的颜色由深色到浅色逐渐增大。可以看出病人组大部分脑区复杂度值大于正常对照组，尤其是慢α1波。

图5　快α波

图6　慢α1波

图7　慢α2波

表2是正常组和患者组α各波段样本熵在p＜0.05的条件下得出的具有显著性差异的通道。发现慢α1在MLF、MLO等脑区，快α在MLF、MLO、MLT等脑区，慢α2在MLF、MRC脑区，患者组显著高于正常组，大部分位于左半球，尤其是慢α1具有显著差异。

表2　各显著性差异通道

5　结论

本文研究结果表明，精神分裂患者的各α波段样本熵高于正常人，慢α1波的差异更具显著性。这预示着精神分裂症患者脑磁信号慢α1波大脑左半球额叶、枕叶、颞叶区的信号复杂度差异，可能为精神分裂的临床诊断提供一定的参考。因为患病程度、疾病亚型等都可能影响到脑磁频谱分布，所以结果是否具有普遍性尚需进一步验证。今后拟继续扩大样本量，研究α各亚频在精神分裂中的更为详细的作用。

［1］李兰兰.基于多导联EEG的精神分裂患者alpha波段连接性算法的研究［D］.兰州：兰州大学，2013.

［2］RAICHLE M E，MINTUN M A.Brain work and brain imaging［J］.Annual Review of Neuroscience，2006，29：449-476.

［3］DOPPELMAYR M，KLIMESCH W，PACHINGER T，et al.Individual differences in brain dynamics：important implications for the calculation of event-related band power［J］.Biological Cybernetics，1998，79（1）：49-57.

［4］HUANG N E，Shen Zheng，LONG S R，et al.The Empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proceedings of the Royal Society，1998，454（A）：903-995.

［5］周建芳，罗晓曙，胡叶容.脑电信号的样本熵分析［J］.广西物理，2007（2）：15-17.

［6］RICARDO V，JAAKO S，BEIKKO J，et al.Independent component approach totheanalysisofEEG and MEG recordings［J］.IEEE Transactions on Biomedical Engineering，2000，47（5）：589-593.

［7］高莉，黄力宇，丁翠玲.结合PCA和ICA的脑磁信号消噪研究［J］.西安电子科技大学学报（自然科学版），2007，34（6）：939-943.

FPC的触摸式指纹传感器FPC1155被用于ZUK的智能手机Z1

近日，ZUK发布其配备FPC触摸式指纹传感器FPC1155的安卓智能手机Z1。与这款智能手机有关的2015年已收及预期FPC1155销售营收已被纳入FPC本年度的通信营收预期（约22亿瑞典克朗）之中。

FPC首席执行官Jorgen Lantto表示：“ZUK是中国著名的智能手机制造商，我们很荣幸ZUK选择将FPC1155用于其首款配备触摸式指纹传感器的智能手机Z1。FPC1155支持360度手指旋转功能、快速响应和业内领先的3D图像质量。”

（Fingerprint Cards AB供稿）

Feature extraction of alpha resting state MEG based on IAF

Zhao Jianying，Huang Xiaoxia
（College of Information Engineering，Shanghai Maritime University，Shanghai 201306，China）

Using nonlinear dynamics method to analyze schizophrenic patients resting state meg data.ICA method is the first，followed by IAF for band extraction，to get quick alpha，slow alpha1 and slow alpha2，whose feature extractions are realized by sample entropy.The results of the study indicate that for schizophrenia patients，L-alpha1 of left hemisphere frontal lobe，occipital lobe，temporal lobe of sample entropy is significantly higher than that of normal people.

MEG；IAF；EMD；sample entropy；schizophrenia；resting state

TP391

A

1674-7720（2015）16-0087-03

赵建英，黄晓霞．基于IAF的alpha波段静息态脑磁信号特征提取［J］.微型机与应用，2015，34（16）：87-89.

2015-03-17）

赵建英（1990-），女，硕士研究生，主要研究方向：信息处理与模式识别。

黄晓霞（1968-），女，博士，副教授，主要研究方向：脑波信息处理与脑机接口技术、港航与物流信息管理、智能信息处理。

第48批教育部留学回国人员科研启动基金；国家自然科学基金（61175044）