基于脑电信号分析建立飞行员慢性腰痛的分类模型研究

郭 伟，赵 颀，周天一，曾 浩

慢性腰痛在飞行员人群十分常见[1]，且对飞行员的工作与日常生活造成不小困扰，甚者迫使飞行员离开飞行岗位，造成国家飞行员人才队伍的损伤，值得引起相关领域的重视与研究。笔者认为客观的分析评估飞行员慢性腰痛（chronic low back pain, CLBP）的临床特点是合理有效治疗的首要，因此本次研究设计从主观量表角度、外周电生理角度、中枢脑电信号角度对飞行员CLBP的特点进行了分析和总结，并通过机器学习（machine learing，ML）[2]的方法建立了区分飞行员CBLP和正常人的分类模型，为更加客观与精确地区分开飞行员慢性腰背痛状态与健康状态，大大降低了主观因素的影响，对现有的飞行员CLBP临床评估方法进行补充，研究过程如下所示。

1 对象与方法

1.1 对象 收集2017年4月—2018年1月由于腰椎间盘突出症在空军特色医学中心进行住院治疗的飞行员CBLP患者30例（研究组），选取社会招募的健康志愿者30人作为对照组。纳入标准：①腰痛伴下肢疼痛＞3个月；②椎旁压痛；③活动时症状加重；④根性征（+）：直腿抬高实验或仰卧挺腹实验（+）；⑤腰椎核磁诊断有腰椎间盘突出；排除标准：①脊柱骨折；②脊柱损伤伴脊髓损伤；③合并腰椎肿瘤、结核、骨髓炎及严重骨质疏松；④患有严重的心、肺、脑及血液系统疾病；⑤接受手术治疗或腰椎畸形；⑥不接受检查者。研究组男28例，女2例，平均年龄（36.83±7.70）岁，平均病史（3.53±3.18）年，平均病程（3.26±2.87）个月。对照组男16例，女14例，平均年龄（38.66±5.45）岁。2组年龄、病史、病程时间比较，差异无统计学意义（P＞0.05）。

1.2 脑电信号采集 先按照正确脑区电极分布为受试者戴上64导电极的脑电帽，用医用注射器向参考和接地电极内注入导电膏，打开软件，观察软件采集界面参考和接地电极的阻抗变化。当两电极阻抗降至10 kΩ以下时，依次按顺序向64导电极注入导电膏，并调节异常电极，待全部电极阻抗均降到10 kΩ以下时，进行脑电信号采集。整个采集过程持续18 min，其中前8 min要求受试者目视前方，采集睁眼静息态脑电信号，时间到后让受试者休息2 min后，再采集受试者闭眼静息态脑电信号8 min。采集2组左枕叶、右枕叶、左颞叶、右颞叶、左额叶和右额叶的β波、γ波、α波、θ波、δ波脑电信号。

1.3 主观量表指标采集 关于评估功能障碍程度的临床指标——腰椎Oswestry功能障碍指数（ODI指数）（下腰痛患者功能评定最为广泛使用的评定表之一）。健康调查简表（SF-36）：选取其中躯体疼痛程度（body pain，BP）和精神心理健康状态（mental health, MH）进行临床评估指标。

1.4 外周电生理指标采集 本试验使用感觉神经定量检测仪（Neurometer公司，美国）采集外周电生理指标。完成准备工作后，将医用导电膏涂抹在一对一次性金制电极上，并贴在所测试部位的皮肤上。在5、200、250 Hz 3种频率下使用感觉神经定量检测仪依次测量双侧的L4、L5、S1神经根支配皮区周围神经的电流感觉阈值（current perception threshold，CPT）。

1.5 分类模型建立 应用Matlab平台中的fieldtrip工具包[4]分析脑电信号及功率谱。建立分类模型的方法：机器学习（machine learning，ML）的计算方法：建立分类模型需要录入受试者的特征（特征的数量可变）及相对应的标签（教会计算机去自我识别需要区分对象的一个描述），输入分类对象的“特征”，经过特定的分类器算法处理后可得出一个或多个特征对应的标签即分类模型，最终选择精确度最高的分类模型作为具有可信度的分类模型。

1.6 统计学处理 应用SPSS 22.0软件对数据进行统计分析。计量资料以±s表示，符合正态分布或近似正态分布采用t检验分析，非正态分布采用Mann-Whitney U秩和检验，以P＜0.05为差异有统计学意义。

2 结果

2.1 临床评估指标比较 2组CPT值、BP值、MH值组间比较差异均有统计学意义（P＜0.05）（表1）。

表1 飞行员慢性腰痛患者与正常人群临床评估指标比较

2.2 脑电信号比较与分析 将研究组和对照组的左枕叶、右枕叶、左颞叶、右颞叶、左额叶和右额叶的δ波、θ波、α波、β波、γ波脑电信号两两比较，结果显示，2组左前额β波、γ波比较，差异具有统计学意义（P＜0.05）（表2）。

表2 飞行员慢性腰痛患者和正常人群的脑电信号组间比较

2.3 CPT与异常脑波相关性分析 研究组CPT值与其特征性的异常脑电波进行相关性分析显示，患者的CPT值与特征性异常脑波均无相关性（图1～2）。

图1 研究组CPT值与γ波相关性分析

图2 研究组CPT值与β波相关性分析

2.4 BP与特征脑波相关性 结果显示，研究组左前额γ波与BP评分之间存在相关性（图3～4）。

图3 研究组BP与γ波相关性分析

图4 研究组BP与β波相关性分析

2.5 MH与特征脑波相关性 研究组MH值与其特征性异常脑电波“左额叶β、γ波”进行相关性分析显示，研究组MH值与左前额β波之间有相关性（图5～6）。

图5 研究组MH与β波相关性分析

图6 研究组MH与γ波相关性分析

2.6 分类模型建立 本次试验为客观描述飞行员慢性腰痛状态，并建立能与正常人群鉴别的模型，考虑到长期慢性腰痛与脑内相关疼痛回路建立有关，所以在纳入常规临床评估指标外特别外，采集受试者的脑电信号同时又作为客观指标，对比提取飞行员CLBP患者的脑电特征，并与临床评估指标进行相关性分析。选择纳入分类模型的特征有“特征性脑电信号”“CPT值”“BP”“MH”，分类模型建立上选择支持向量机（SVM）和线性判别分析（LDA）2种分类器对比。以“额叶特征脑波”和“CPT值”作为分类模型的特征，以BP和MH作为标签，对于每个特征集采用10折交叉验证，重复30次，为了达到较为准确的分类精度。飞行员CLBP患者特征选择β波、γ波、CPT值，分类器分类精确度结果及特征纳入过程显示：飞行员使用SVM作为分类器，以γ波、CPT_5 Hz作为特征，最高精确度为82.21%（表3）。

表3 飞行员慢性腰痛患者分类模型建立及精确度分析（%）

3 讨论

脑电活动发现于20世纪20年代。脑电图在临床上的应用也相当广泛，在发现多种大脑疾病中具有重要作用，例如癫痫、脑卒中、脑肿瘤、脑退化性疾病、昏迷等[5]。由于脑电信号随时间的波动性、不平衡性，导致很难研究明确脑电信号的规律。但脑电信号又有其他测量指标所不具备的优势与特点，即时间分辨高可以达到毫秒级别，脑电信号中可能包含的大量生理与病理信息，深入研究脑电信号可以为医师提供十分有意义的临床诊断依据。当前许多研究发现脑电信号可以作为观察测量和评估慢性疼痛重要工具[6]，本研究选取脑电信号作为客观评估指标。

本研究采集的脑电信号属于静态脑电信号，不同于机体在接受外界刺激时大脑皮层所产生的诱发脑电信号[7]，其特点时由大脑皮层自发引起。该测量可以客观反映受试者的疼痛性质，程度和特点。不同于外界刺激诱导下的疼痛，可能与脑内相关疼痛回路建立有关。分别采集并处理飞行员CLBP患者与正常受试者的脑电频谱作为客观指标，结合主观性评估指标，通过分类器建立分类模型，补充当前对于飞行员腰痛患者的诊断方法。

本次试验结果发现飞行员CLBP患者和正常人群的脑电信号组间比较飞行员异常脑电活动为“左前额叶β、γ波”，分类模型依据精确度排序，精确度最高是选择γ波、CPT_5Hz作为特征。额叶左右皮层功能具有不对称性，左前额叶可能与积极情绪有关，右前额叶可能与消极情绪有关，有研究让受试者观看带有消极色彩图片并同时记录下受试者脑电信号显示：在观看到消极图片时右额叶皮层激活强于左侧[8]。在研究抑郁症患者时，发现部分抑郁症患者存在左侧额叶损伤，脑电信号提示，长时间左侧额叶处于异常抑制状态，推测左额叶损伤可与积极情感体验缺失相关[9]。进而对两侧额叶皮层的功能进行相关性分析，得出结论“积极情绪与左侧额叶皮层相关，消极情绪与右侧额叶皮层相关”。本研究对2组进行临床指标评估，对于MH这项，飞行员CLBP患者与正常人群差异有统计学意义，在进一步研究文献，分析左侧额叶β波振荡活动增强与受试者处于高兴情绪有关，而本次试验分析也得出飞行员CLBP患者的情感心理状态与左额叶β波活动强度呈正相关，进一步说明飞行员CLBP患者群体情绪状态是较正常人群更加积极。左前额叶γ波在以往的研究中发现与疼痛刺激相关。一项研究对局灶性癫痫患者施加伤害性刺激，结果表明γ波与伤害性刺激从外周到中枢疼痛感知整合[10]，在痉挛性肌肉疼痛患者中疼痛强度也与额叶γ波相关[11]，有使用激光诱导慢性疼痛发生试验，激发时检测到γ波出现明显增强[12]。另有项研究也提到γ波直接参与到疼痛感知的处理，脑电信号功率谱强度与疼痛强度呈正相关[13]，之前多数试验中所研究的是诱发态脑电信号，而本次试验采集静息态脑电信号，对于疼痛强度的主观评估采用的是简明健康量表的BP，结合脑电信号相关性分析表明γ波活动与主观躯体疼痛强度呈正相关。

慢性腰痛在飞行员群体中十分常见，排在飞行员疾病谱中的首位[14]，而飞行员的慢性腰痛特征又区别于正常人群，笔者发现飞行员CLBP患者较正常人群具有以下特点：①飞行员慢性疼痛程度往往较高，这与飞行员群体日常训练时长期处于高载荷，腰部所需要承受的压力高，损伤发生率与程度更高，同时飞行员所要面临工作任务重，工作环境特殊，精神长期处于紧张状态，可能与脑内疼痛回路建立相关，形成“慢性疼痛状态”。②飞行员CLBP患者群体情绪状态优于正常人群体，更加积极乐观。本次实验使用机器学习将采集到的脑电特征及相关临床评估指标进行分类器处理，为能获得精确度高的飞行员慢性腰痛鉴别诊断分类模型。机器学习建立分类模型在临床领域里已经得到非常广泛的应用，之前有研究关于骨质疏松症的诊断与鉴别诊断，运用分类模型，达到大约86%的精确度，大大降低了临床该疾病的误诊，漏诊率[15]。另有研究基于核磁共振影像早期诊断阿尔兹海默症，主要是采集大脑海马区特征纹理数据，经过机器算法处理，得出较高准确度的分类预测模型[16]。针对于慢性疼痛也有研究进行多通道脑电信号分析，提取更多有效的脑电信号特征，使用机器学习处理为临床医学诊断和脑认知科学研究提供准确的依据。本研究应用分类器算法以“左额叶γ波”和“CPT_5Hz”为特征组精确度最高，具有临床应用价值，在临床中可通过采集就诊者脑电信号和外周神经CPT值，在不依据就诊者的主诉、主观量表与影像学检查的情况下，也能客观地诊断该就诊者是否属于飞行员CLBP患者，如果符合标准，在治疗选择上就应该不单单关注对腰椎间盘突出神经压迫的解除，腰部局部损伤的治疗，还应当考虑如何解除慢性疼痛在中枢形成的疼痛回路，临床上有使用经颅磁刺激解除慢性疼痛患者的慢性疼痛状态[17]，解除“慢性疼痛状态”对于飞行员而言尤为关键，可大大减少疼痛相关性的焦虑，抑郁与失眠，改善飞行员生活质量，对提高飞行部队战斗力有重要意义。