基于样本熵算法的下背痛患者脑电信号分析

郑翠凤，应自炉，李慧慧

（五邑大学 信息工程学院，广东 江门 529020）

基于样本熵算法的下背痛患者脑电信号分析

郑翠凤，应自炉，李慧慧

（五邑大学 信息工程学院，广东 江门 529020）

为寻找下背痛患者的诊断指标，本文运用样本熵算法对下背痛（腰椎间盘突出（LDH）和非特异性下背痛（NLBP））患者脑电时间序列复杂度进行了分析.实验采集了30例LDH患者、35例NLBP患者和30例健康人在做腹部收缩运动中的脑电信号，运用样本熵算法对健康组与下背痛组（LDH组和NLBP组）的脑电信号进行计算，发现LDH组的样本熵值最大，其次是NLBP组，健康组的样本熵值最小.样本熵的值越大，表明脑电时间序列复杂度越高.然后，采用SPSS19.0软件对3组受试者中14个导联处样本熵的均值进行独立样本t检验.结果表明，LDH组与NLBP组在5个导联（F7、T7、O1、O2、F4）处存在显著性差异(p<0.05)；LDH组与正常组在12个导联（F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8）处存在显著性差异(p<0.05).样本熵算法可以作为区分3组受试者的有效方法，为下背痛患的诊断者提供了一种辅助诊断方法.

下背痛；脑电信号；样本熵

下背痛是指一组以背部、腰骶和臀部等疼痛和不适为主的综合症状，它包括非特异性下背痛（NLBP）和腰椎间盘突出（LDH）[1].据统计，大约80%的人一生都会有腰痛的经历，许多人甚至因此丧失劳动能力.对下背痛患者的临床诊断通常采用X光片、MRI或CT等，但影像学诊断并不能动态客观反映下背痛患者的病理状态，许多下背痛患者通过影像学检测找不出明确的病因.脑电信号则提供了一种无创方法来测量脑部在动态或静态过程中的电生理活动，其蕴含丰富的生理和病理上的疾病信息.近年来，人们应用信号处理的方法提取脑电信号特征，作为诊断疾病的有效依据.

目前，脑电信号的分析方法分为线性和非线性分析方法.对下背痛脑电信号的分析方法有：功率谱、功率谱密度等线性分析方法[2-3].线性分析方法就是将一小段时间内的脑电信号近似看成平稳过程.而脑电信号是一种非线性、非平稳信号.因此，很多国内外学者把非线性分析方法引入到脑电信号中.样本熵是2000年由Richman和Moorman在近似熵基础上提出的一种非线性动力学改进算法，它将人的大脑看成是一个复杂的非线性系统，用来衡量脑电时间序列复杂度，具备了近似熵的所有优点[4-5].样本熵只需较短的样本数据就能得到稳健的结果，并且具有很强的抗噪能力.因此，样本熵算法已被广泛应用于生物医学信号，包括心电变异性、脑电、肌电等信号处理方面[6-8].

本文使用样本熵算法分析下背痛患者的脑电信号，对3组受试者样本熵的值进行计算，并分析3组受试者脑电信号的复杂度和显著性差异，以期为下背痛患者的治疗和诊断提供辅助方法.

1 样本熵计算

样本熵是衡量时间序列复杂度的指标，它是对近似熵算法的改进.样本熵[4]的具体计算步骤如下：

2）把序列按序号连续顺序组成一组m维矢量，可表示为：

3）定义矢量X(i)和X(j)的距离：

4）给定阈值r.对每个i统计X(i)和X(j)之间的距离的数目，然后计算该数目与距离总数目的比值，其公式可表示为：

5）对所有的i求平均值：

把m维矢量增加至m+1维，重复步骤1）到5），即得：

则样本熵公式可表示为:

其中m为维数，r为相容度，N为序列长度.本文取维数为：m=2，若设u为序列的平均值即：，SD为序列标准差，其计算公式如下：

2 实验设计及统计学方法

2.1 实验对象

实验选取了35例NLBP患者和30例LDH患者，另选取30例健康人为对照组，3组受试者均来自广东省深圳市深圳龙岗中心医院，基本信息如表1所示.正常对照组入选标准：身体健康，以往无任何腰痛症状，其他疾病除外；NLBP组入选标准: 患者疼痛时间在3个月以上，其他疾病除外.LDH入选标准：1）受试者为腰椎间突出症患者，并且有影像学检查报告；2）患病时间6个月以上，经医生临床诊断，存在腰背部疼痛，运动能力有异常变化.排除标准：1）内脏疾病导致的下背痛（如血液病、心脑血管等疾病）；2）怀孕者.

2.2 脑电数据采集

数据采集采用14导联Emotive System公司开发的Emotive诱发电位仪，其采样频率为128 Hz，A/D转换精度为14-bit，采集14导联（AF3，F7，F3，FC5，T7，P7，O1，O2，P8，T8，FC6，F4，F8，AF4)头皮脑电信号，受试者电极的安放位置如图1所示（以一例男性受试者为例），以CMS与DRL为参考电极.受试者处于安静环境下并保持站立姿势，当录音播放时，受试者按录音执行腹部收缩动作，每位受试者完成4次试验，每次实验连续做5个腹部收缩动作，并且每次实验完成后，受试者保持站立姿势休息5 s，以避免实验过程中产生疲劳.

图1 电极安防位置

脑电信号预处理：本文对脑电信号采用三阶低通滤波器，滤除60 Hz以上的高频干扰.对眼电伪迹进行手动剔除.

表1 3组受试者的基本信息

2.3 统计学分析

本文采用IBM SPSS19.0统计学分析软件，使用独立样本t检验对健康组与下背痛组（NLBP组和下背痛组）脑电信号样本熵均值进行显著性差异分析.独立样本t检验基本原理：它是对于两个不同总体均值之间的差异性进行检验，用来检验两个独立样本是否来自具有相同均值的总体，独立样本t检验[9]的公式如下：设X、Y分别为第1类、第2类样本.nx、ny分别为第1类、第2类样本的样本数，第1类样本均值为：，第2类样本均值为.第1类本的方差为：，第2类样本的方差为：.则两样本合并标准误差公式：

则独立样本t检验计算公式如下：

独立样本t检验显著性差异的临界值设p=0.05，如果p<0.05，则有显著性差异，反之，无显著性差异.

3 脑电数据结果与分析

本文分别对3组受试者的脑电数据进行分析，若设i为某一位受试者做腹部收缩的次数，j为受试者的人数，L为每一组受试者的总人数.首先计算某一位受试者做完4次腹部收缩样本熵的均值，然后计算某一导联上L（LDH组的L=30人，NLBP组L=35人，正常对照组L=30人）个人样本熵的均值，其计算公式如下：

由公式（10）可以分别计算出3组受试者在14导联中样本熵的均值，结果如图2所示.LDH组样本熵均值最大，其次是NLBP组，健康组样本熵均值最小.样本熵的值越大，说明脑电时间序列复杂程度越高.由独立样本t检验公式（9）可以得出健康组与下背痛组（NLBP组和LDH组）脑电信号在14导联中样本熵均值的显著性差异，结果如表2所示.LDH组与NLBP组在5个导联（F7，T7，O1，O2，F4）处存在显著性差异(p<0.05)；LDH组与健康组在12个导联（F7，F3，FC5，T7，P7，O1，O2，P8，T8，FC6，F4，F8）处存在显著性差异(p<0.05).

表2 样本熵均值独立样本t检验结果

注：*表示显著性差异p<0.05；数据为平均值±方差.

图2 3组受试者样本熵均值图

4 讨论

本文对3组受试者样本熵均值行了比较和统计学分析.文献[9-10]提出了基于样本熵算法的抑郁症患者脑电特征分析与基于样本熵的注意力相关脑电特征信息提取与分类，本研究参考文献[9-10]的方法研究下背痛，运用样本熵算法研究下背痛患者的脑电信号.结果表明，LDH组与NLBP组样本熵数值均高于健康组，LDH患者与健康人在12个导联（F7，F3，FC5，T7，P7，O1，O2，P8，T8，FC6，F4，F8）处存在显著性差异(p<0.05)，而NLBP患者与健康人在14个导联处的样本熵均值无显著性差异.这表明，LDH患者和NLBP患者的脑电信号复杂度均比健康人高，可能是因为LDH患者与NLBP患者在执行腹部收缩运动时，他们的身体一直处于疼痛状态，而持续的疼痛会影响病人的情绪、注意力等方面的行为和心理机能[11]，因而，他们的思维相对分散，脑电神经细胞相对散乱和无序，两组患者大脑的复杂程度增加.LDH组比NLBP组样本熵值大，且LDH组与NLBP组在5个导联（F7，T7，O1，O2，F4）处有显著性差异(p<0.05)，可能是LDH患者的患病时间比NLBP患者长，LDH患者的疼痛程度比NLBP患者更加严重，则LDH患者执行任务时需要更多的大脑皮层兴奋和大脑兴奋区域来完成任务.

5 结论

本研究用样本熵对3组受试者脑电信号进行了分析和比较，证明了样本熵能有效区分3组受试者的脑电信号，为诊断下背痛患者提供了一种有效的方法，对于临床医学方面有着重要的研究意义.本研究的不足之处是实验样本均为女性，可在实验中增加男性样本的比例，同时实验采集的样本数目较少，今后实验可以采集更多的样本进行研究.

[1] FRANK J W, KERR M S, BROOKER A, et al.Disability resulting from occupational low back pain: I What do we know about primary prevention? A review of the scientific evidence on prevention before disab-ility begins [J].Spine, 1996, 21(24): 2908-2917.

[2] LUCACHE D D, LUCACHE B, IRIMIA D, et al.Preliminary EEG based analysis of few acupoints used in the chronic low back pain treatment [J].Ifmbe Proceedings, 2014, 44: 247-250.

[3] HARMAN K, PIVIK R T, D’EON J L, et al.Sleep in depressed and nondepressed participants with chronic low back pain: electroencephalographic and behaviour findings [J].Sleep, 2002, 25(7): 775-83.

[4] RICHMAN J S, MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy [J].Ajp Heart & Circulatory Physiology, 2000, 278(6): H2039-H2049.

[5] PINCUS S M.Approximate entropy as a measure of system complexity [J].Proceedings of the National Academy of Sciences, 1991, 88(6): 2297-2301.

[6] SHEN Chiaping, LIU Shihting, ZHANG Weizhi, et al.A physiology based seizure detection system for multi-channel EEG [J].PLoS One, 2013, 8(6): e65862.

[7] SONG Yuedong, ZHANG Jiaxiang.Automatic recognition of epileptic EEG patterns via extreme learning machine and multiresolution feature extraction [J].Expert Systems with Applications, 2013, 40(14): 5477-5489.

[8] GOMEZ C, HORNERO R.Entropy and complexity analyses in alzheimer’s disease: an MEG study [J].Open Biomedical Engineering Journal, 2010, 4(1): 223.

[9] 朱星宇，陈勇强.SPSS多元统计分析方法及应用[M].北京：清华大学出版社，2011.

[10] 杨超，肖文香，陈真诚，等.基于样本熵算法的抑郁症患者脑电特征分析[J].桂林电子科技大学学报，2014(5): 382-385.

[11] 燕楠，王珏，魏娜，等.基于样本熵的注意力相关脑电特征信息提取与分类[J].西安交通大学学报，2007, 41(10): 1237-1241.

[12] JENSEN M P, ROMANO J M, TURNER J A, et al.Patient beliefs predict patient functioning: further support for a cognitive-behavioural model of chronic pain [J].Pain, 1999, 81(1-2): 95-104.

[责任编辑：韦 韬]

An EEG Analysis of Lower Back Pain Patients Based on Sample Entropy

ZHENG Cui-feng, YING Zi-lu, LI Hui-hui
(School of Information Engineering, Wuyi University, Jiangmen 529020, China)

In order to find the diagnostic indicators of low back pain patients, the sample entropy algorithm is proposed to analyze the time series complexity of EEG for two kinds of low back pain patients, including lumbar disc herniation (LDH) and non-specific low back pain (NLBP).In our experiments, the EGG signals of 30 LDH patients, 35 NLBP patients, as well as 30 healthy people are collected in abdominal contraction movement.Then we extract features for the collected EGG signals of three groups of people with sample entropy, and analyze the EGG signals with statistical analysis.The results show that the sample entropy of the LDH patients is the biggest and that of the NLBP patients is smaller, and the sample entropy of the healthy people is the smallest.The bigger the mean sample entropy is, the more complex the time series is.Then we conduct the independent samples t-test for the mean sample entropy value of the three groups with SPSS19.0 Software.The experimental results show that there are significant differences between the LDH group and the NLBP group in five leads(p＜0.05), i.e.F7, T7, O1, O2, and F4.There are significant differences between the LDH group and the healthy group in twelve leads(p<0.05), i.e.F7, F3, FC5, T7, P7, O1, O2, P8,T8, FC6, F4, and F8.The results show that the sample entropy algorithm can be used as an effective method to distinguish three groups of people and provides a reliable diagnostic method for low back pain patients.

low back pain; EEG signal; sample entropy

TN911.7

A

1006-7302（2017）02-0046-06

2017-01-17

郑翠凤（1988—），女，湖南永州人，在读硕士生，主要研究方向为信号处理；应自炉，教授，博士，硕士生导师，通信作者，主要研究方向为信号与图像处理.