基于樣本熵算法的下背痛患者腦電信號(hào)分析

鄭翠鳳，應(yīng)自爐，李慧慧

（五邑大學(xué) 信息工程學(xué)院，廣東 江門 529020）

基于樣本熵算法的下背痛患者腦電信號(hào)分析

鄭翠鳳，應(yīng)自爐，李慧慧

（五邑大學(xué) 信息工程學(xué)院，廣東 江門 529020）

為尋找下背痛患者的診斷指標(biāo)，本文運(yùn)用樣本熵算法對(duì)下背痛（腰椎間盤突出（LDH）和非特異性下背痛（NLBP））患者腦電時(shí)間序列復(fù)雜度進(jìn)行了分析.實(shí)驗(yàn)采集了30例LDH患者、35例NLBP患者和30例健康人在做腹部收縮運(yùn)動(dòng)中的腦電信號(hào)，運(yùn)用樣本熵算法對(duì)健康組與下背痛組（LDH組和NLBP組）的腦電信號(hào)進(jìn)行計(jì)算，發(fā)現(xiàn)LDH組的樣本熵值最大，其次是NLBP組，健康組的樣本熵值最小.樣本熵的值越大，表明腦電時(shí)間序列復(fù)雜度越高.然后，采用SPSS19.0軟件對(duì)3組受試者中14個(gè)導(dǎo)聯(lián)處樣本熵的均值進(jìn)行獨(dú)立樣本t檢驗(yàn).結(jié)果表明，LDH組與NLBP組在5個(gè)導(dǎo)聯(lián)（F7、T7、O1、O2、F4）處存在顯著性差異(p<0.05)；LDH組與正常組在12個(gè)導(dǎo)聯(lián)（F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8）處存在顯著性差異(p<0.05).樣本熵算法可以作為區(qū)分3組受試者的有效方法，為下背痛患的診斷者提供了一種輔助診斷方法.

下背痛；腦電信號(hào)；樣本熵

下背痛是指一組以背部、腰骶和臀部等疼痛和不適為主的綜合癥狀，它包括非特異性下背痛（NLBP）和腰椎間盤突出（LDH）[1].據(jù)統(tǒng)計(jì)，大約80%的人一生都會(huì)有腰痛的經(jīng)歷，許多人甚至因此喪失勞動(dòng)能力.對(duì)下背痛患者的臨床診斷通常采用X光片、MRI或CT等，但影像學(xué)診斷并不能動(dòng)態(tài)客觀反映下背痛患者的病理狀態(tài)，許多下背痛患者通過影像學(xué)檢測(cè)找不出明確的病因.腦電信號(hào)則提供了一種無創(chuàng)方法來測(cè)量腦部在動(dòng)態(tài)或靜態(tài)過程中的電生理活動(dòng)，其蘊(yùn)含豐富的生理和病理上的疾病信息.近年來，人們應(yīng)用信號(hào)處理的方法提取腦電信號(hào)特征，作為診斷疾病的有效依據(jù).

目前，腦電信號(hào)的分析方法分為線性和非線性分析方法.對(duì)下背痛腦電信號(hào)的分析方法有：功率譜、功率譜密度等線性分析方法[2-3].線性分析方法就是將一小段時(shí)間內(nèi)的腦電信號(hào)近似看成平穩(wěn)過程.而腦電信號(hào)是一種非線性、非平穩(wěn)信號(hào).因此，很多國(guó)內(nèi)外學(xué)者把非線性分析方法引入到腦電信號(hào)中.樣本熵是2000年由Richman和Moorman在近似熵基礎(chǔ)上提出的一種非線性動(dòng)力學(xué)改進(jìn)算法，它將人的大腦看成是一個(gè)復(fù)雜的非線性系統(tǒng)，用來衡量腦電時(shí)間序列復(fù)雜度，具備了近似熵的所有優(yōu)點(diǎn)[4-5].樣本熵只需較短的樣本數(shù)據(jù)就能得到穩(wěn)健的結(jié)果，并且具有很強(qiáng)的抗噪能力.因此，樣本熵算法已被廣泛應(yīng)用于生物醫(yī)學(xué)信號(hào)，包括心電變異性、腦電、肌電等信號(hào)處理方面[6-8].

本文使用樣本熵算法分析下背痛患者的腦電信號(hào)，對(duì)3組受試者樣本熵的值進(jìn)行計(jì)算，并分析3組受試者腦電信號(hào)的復(fù)雜度和顯著性差異，以期為下背痛患者的治療和診斷提供輔助方法.

1 樣本熵計(jì)算

樣本熵是衡量時(shí)間序列復(fù)雜度的指標(biāo)，它是對(duì)近似熵算法的改進(jìn).樣本熵[4]的具體計(jì)算步驟如下：

2）把序列按序號(hào)連續(xù)順序組成一組m維矢量，可表示為：

3）定義矢量X(i)和X(j)的距離：

4）給定閾值r.對(duì)每個(gè)i統(tǒng)計(jì)X(i)和X(j)之間的距離的數(shù)目，然后計(jì)算該數(shù)目與距離總數(shù)目的比值，其公式可表示為：

5）對(duì)所有的i求平均值：

把m維矢量增加至m+1維，重復(fù)步驟1）到5），即得：

則樣本熵公式可表示為:

其中m為維數(shù)，r為相容度，N為序列長(zhǎng)度.本文取維數(shù)為：m=2，若設(shè)u為序列的平均值即：，SD為序列標(biāo)準(zhǔn)差，其計(jì)算公式如下：

2 實(shí)驗(yàn)設(shè)計(jì)及統(tǒng)計(jì)學(xué)方法

2.1 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)選取了35例NLBP患者和30例LDH患者，另選取30例健康人為對(duì)照組，3組受試者均來自廣東省深圳市深圳龍崗中心醫(yī)院，基本信息如表1所示.正常對(duì)照組入選標(biāo)準(zhǔn)：身體健康，以往無任何腰痛癥狀，其他疾病除外；NLBP組入選標(biāo)準(zhǔn): 患者疼痛時(shí)間在3個(gè)月以上，其他疾病除外.LDH入選標(biāo)準(zhǔn)：1）受試者為腰椎間突出癥患者，并且有影像學(xué)檢查報(bào)告；2）患病時(shí)間6個(gè)月以上，經(jīng)醫(yī)生臨床診斷，存在腰背部疼痛，運(yùn)動(dòng)能力有異常變化.排除標(biāo)準(zhǔn)：1）內(nèi)臟疾病導(dǎo)致的下背痛（如血液病、心腦血管等疾病）；2）懷孕者.

2.2 腦電數(shù)據(jù)采集

數(shù)據(jù)采集采用14導(dǎo)聯(lián)Emotive System公司開發(fā)的Emotive誘發(fā)電位儀，其采樣頻率為128 Hz，A/D轉(zhuǎn)換精度為14-bit，采集14導(dǎo)聯(lián)（AF3，F(xiàn)7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8，AF4)頭皮腦電信號(hào)，受試者電極的安放位置如圖1所示（以一例男性受試者為例），以CMS與DRL為參考電極.受試者處于安靜環(huán)境下并保持站立姿勢(shì)，當(dāng)錄音播放時(shí)，受試者按錄音執(zhí)行腹部收縮動(dòng)作，每位受試者完成4次試驗(yàn)，每次實(shí)驗(yàn)連續(xù)做5個(gè)腹部收縮動(dòng)作，并且每次實(shí)驗(yàn)完成后，受試者保持站立姿勢(shì)休息5 s，以避免實(shí)驗(yàn)過程中產(chǎn)生疲勞.

圖1 電極安防位置

腦電信號(hào)預(yù)處理：本文對(duì)腦電信號(hào)采用三階低通濾波器，濾除60 Hz以上的高頻干擾.對(duì)眼電偽跡進(jìn)行手動(dòng)剔除.

表1 3組受試者的基本信息

2.3 統(tǒng)計(jì)學(xué)分析

本文采用IBM SPSS19.0統(tǒng)計(jì)學(xué)分析軟件，使用獨(dú)立樣本t檢驗(yàn)對(duì)健康組與下背痛組（NLBP組和下背痛組）腦電信號(hào)樣本熵均值進(jìn)行顯著性差異分析.獨(dú)立樣本t檢驗(yàn)基本原理：它是對(duì)于兩個(gè)不同總體均值之間的差異性進(jìn)行檢驗(yàn)，用來檢驗(yàn)兩個(gè)獨(dú)立樣本是否來自具有相同均值的總體，獨(dú)立樣本t檢驗(yàn)[9]的公式如下：設(shè)X、Y分別為第1類、第2類樣本.nx、ny分別為第1類、第2類樣本的樣本數(shù)，第1類樣本均值為：，第2類樣本均值為.第1類本的方差為：，第2類樣本的方差為：.則兩樣本合并標(biāo)準(zhǔn)誤差公式：

則獨(dú)立樣本t檢驗(yàn)計(jì)算公式如下：

獨(dú)立樣本t檢驗(yàn)顯著性差異的臨界值設(shè)p=0.05，如果p<0.05，則有顯著性差異，反之，無顯著性差異.

3 腦電數(shù)據(jù)結(jié)果與分析

本文分別對(duì)3組受試者的腦電數(shù)據(jù)進(jìn)行分析，若設(shè)i為某一位受試者做腹部收縮的次數(shù)，j為受試者的人數(shù)，L為每一組受試者的總?cè)藬?shù).首先計(jì)算某一位受試者做完4次腹部收縮樣本熵的均值，然后計(jì)算某一導(dǎo)聯(lián)上L（LDH組的L=30人，NLBP組L=35人，正常對(duì)照組L=30人）個(gè)人樣本熵的均值，其計(jì)算公式如下：

由公式（10）可以分別計(jì)算出3組受試者在14導(dǎo)聯(lián)中樣本熵的均值，結(jié)果如圖2所示.LDH組樣本熵均值最大，其次是NLBP組，健康組樣本熵均值最小.樣本熵的值越大，說明腦電時(shí)間序列復(fù)雜程度越高.由獨(dú)立樣本t檢驗(yàn)公式（9）可以得出健康組與下背痛組（NLBP組和LDH組）腦電信號(hào)在14導(dǎo)聯(lián)中樣本熵均值的顯著性差異，結(jié)果如表2所示.LDH組與NLBP組在5個(gè)導(dǎo)聯(lián)（F7，T7，O1，O2，F(xiàn)4）處存在顯著性差異(p<0.05)；LDH組與健康組在12個(gè)導(dǎo)聯(lián)（F7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8）處存在顯著性差異(p<0.05).

表2 樣本熵均值獨(dú)立樣本t檢驗(yàn)結(jié)果

注：*表示顯著性差異p<0.05；數(shù)據(jù)為平均值±方差.

圖2 3組受試者樣本熵均值圖

4 討論

本文對(duì)3組受試者樣本熵均值行了比較和統(tǒng)計(jì)學(xué)分析.文獻(xiàn)[9-10]提出了基于樣本熵算法的抑郁癥患者腦電特征分析與基于樣本熵的注意力相關(guān)腦電特征信息提取與分類，本研究參考文獻(xiàn)[9-10]的方法研究下背痛，運(yùn)用樣本熵算法研究下背痛患者的腦電信號(hào).結(jié)果表明，LDH組與NLBP組樣本熵?cái)?shù)值均高于健康組，LDH患者與健康人在12個(gè)導(dǎo)聯(lián)（F7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8）處存在顯著性差異(p<0.05)，而NLBP患者與健康人在14個(gè)導(dǎo)聯(lián)處的樣本熵均值無顯著性差異.這表明，LDH患者和NLBP患者的腦電信號(hào)復(fù)雜度均比健康人高，可能是因?yàn)長(zhǎng)DH患者與NLBP患者在執(zhí)行腹部收縮運(yùn)動(dòng)時(shí)，他們的身體一直處于疼痛狀態(tài)，而持續(xù)的疼痛會(huì)影響病人的情緒、注意力等方面的行為和心理機(jī)能[11]，因而，他們的思維相對(duì)分散，腦電神經(jīng)細(xì)胞相對(duì)散亂和無序，兩組患者大腦的復(fù)雜程度增加.LDH組比NLBP組樣本熵值大，且LDH組與NLBP組在5個(gè)導(dǎo)聯(lián)（F7，T7，O1，O2，F(xiàn)4）處有顯著性差異(p<0.05)，可能是LDH患者的患病時(shí)間比NLBP患者長(zhǎng)，LDH患者的疼痛程度比NLBP患者更加嚴(yán)重，則LDH患者執(zhí)行任務(wù)時(shí)需要更多的大腦皮層興奮和大腦興奮區(qū)域來完成任務(wù).

5 結(jié)論

本研究用樣本熵對(duì)3組受試者腦電信號(hào)進(jìn)行了分析和比較，證明了樣本熵能有效區(qū)分3組受試者的腦電信號(hào)，為診斷下背痛患者提供了一種有效的方法，對(duì)于臨床醫(yī)學(xué)方面有著重要的研究意義.本研究的不足之處是實(shí)驗(yàn)樣本均為女性，可在實(shí)驗(yàn)中增加男性樣本的比例，同時(shí)實(shí)驗(yàn)采集的樣本數(shù)目較少，今后實(shí)驗(yàn)可以采集更多的樣本進(jìn)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，陳勇強(qiáng).SPSS多元統(tǒng)計(jì)分析方法及應(yīng)用[M].北京：清華大學(xué)出版社，2011.

[10] 楊超，肖文香，陳真誠(chéng)，等.基于樣本熵算法的抑郁癥患者腦電特征分析[J].桂林電子科技大學(xué)學(xué)報(bào)，2014(5): 382-385.

[11] 燕楠，王玨，魏娜，等.基于樣本熵的注意力相關(guān)腦電特征信息提取與分類[J].西安交通大學(xué)學(xué)報(bào)，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.

[責(zé)任編輯：韋 韜]

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

鄭翠鳳（1988—），女，湖南永州人，在讀碩士生，主要研究方向?yàn)樾盘?hào)處理；應(yīng)自爐，教授，博士，碩士生導(dǎo)師，通信作者，主要研究方向?yàn)樾盘?hào)與圖像處理.