王春方 張力新 劉 爽 孫長城 王勇軍 趙 欣綦宏志 周 鵬 萬柏坤 杜金剛 明 東*

1(天津大學精儀學院生物醫(yī)學工程系，天津 300072)

2(天津市康復醫(yī)學研究所，天津市人民醫(yī)院，天津 300121)

引言

根據(jù)世界衛(wèi)生組織最新報道，腦卒中(stroke)是全球范圍內(nèi)僅次于冠心病和癌癥的位于第三位死亡原因的疾病，并且發(fā)病率呈逐年上升趨勢。我國每年新增腦卒中患者200萬以上，每年死于腦卒中的人數(shù)超過150萬，目前有700萬左右的腦卒中幸存者，其中3/4留有不同程度的后遺癥，其中重度致殘者約占40%，給患者和家庭帶來了痛苦和沉重的經(jīng)濟負擔［1－2］。

腦卒中后抑郁癥(poststroke depression，PSD)作為腦卒中后發(fā)病率最高的精神類并發(fā)癥，其病死率是無抑郁癥狀的3～4倍，嚴重威脅著廣大腦卒中患者的身心健康［3］。到目前為止，PSD的診斷標準尚未統(tǒng)一，評估方面也無統(tǒng)一的特異性標準可資借鑒，大多借助功能性抑郁癥的各種診斷標準作為依據(jù)，并借鑒其量表、參數(shù)等。國外研究者主要依賴DSM－IV(美國精神障礙診斷與統(tǒng)計手冊第4版)診斷標準，國內(nèi)目前多使用CCMD－Ⅲ(中國精神疾病分類方案與診斷標準第3版)診斷標準。臨床抑郁測評量表的選擇包括Hamilton抑郁癥量表、Beck抑郁自評量表、老年抑郁癥量表等，但由于PSD患者常伴有一定程度意識認知障礙或失語等，在配合量表自述或患者家屬代述病情時，往往無法準確描述相關(guān)情緒改變等信息，使得醫(yī)師難于準確判斷，因而造成診斷準確率較低、漏診率偏高。歸其原因，主要是PSD在診斷方面沒有特異性的客觀診斷指標。

目前，研究學者普遍認為，去甲腎上腺素(NE)、5－羥色胺(5－HT)等單胺類神經(jīng)遞質(zhì)水平低下是造成PSD的主要神經(jīng)生物學原因［4］。腦電信號是皮層細胞群同步活動時突觸后電位的總和，作為突觸前膜向突觸后膜起信息傳遞作用的化學物質(zhì)，神經(jīng)遞質(zhì)的改變必然會引起神經(jīng)電生理信號(腦電信號)的異常，這在相關(guān)文獻中也得到了證實［5－9］。

靜息狀態(tài)的腦電信號中包含了大量的信息。已有文獻表明，臨床診斷抑郁癥患者的靜息態(tài)EEG信號與正常人EEG信號相比，增加的α頻段和θ頻段功率值與半球間具有不對稱性［10－11］。以上發(fā)現(xiàn)都是基于時域和頻域的傳統(tǒng)分析方法。由于EEG信號屬于非穩(wěn)態(tài)的時變非線性信號，越來越多的研究學者傾向于用非線性的方法加以分析。已有文獻表明，臨床診斷抑郁癥患者靜息狀態(tài)EEG信號的復雜度、分形維數(shù)、瑞利熵等非線性參數(shù)要高于正常人［12－13］。但是，PSD 患者的 EEG 信號不僅具有復雜的非線性特性，而且在許多情況下非平穩(wěn)性和隨機性突出，通常的非線性參數(shù)(如相關(guān)維數(shù)、李亞普諾夫指數(shù))與方法皆難以適用(都要求平穩(wěn)或準平穩(wěn)條件)。

已有多項研究表明，EEG信號存在長時程相關(guān)性的動力學振蕩特征［14－16］。去趨勢波動分析(detrended fluctuation analysis，DFA)以冪律方式量化時間序列的時域波動，用標度指數(shù)描述時間序列的標度行為或長程相關(guān)性，適宜研究各種非穩(wěn)態(tài)時間序列的長程冪律形式函數(shù)的相關(guān)性，其優(yōu)勢在于能夠系統(tǒng)地去除數(shù)據(jù)中由外部因素造成的不同階次趨勢，減少由于不完善的測量方法引起的噪聲污染［17－18］。近幾年，該方法已被應用于生命科學、地質(zhì)學，氣象學以及經(jīng)濟領(lǐng)域，成為檢測非平穩(wěn)時間序列的有效工具。應用DFA方法分析EEG信號，可為分析其在不同時間尺度上的數(shù)據(jù)相關(guān)性提供定量描述指標，已用于睡眠、麻醉及癲癇發(fā)作等狀態(tài)下EEG信號的特征提取與模式識別。Lee等利用DFA方法，對睡眠呼吸暫停綜合征患者的各睡眠分期EEG信號進行了研究，結(jié)果發(fā)現(xiàn)患者從清醒期到睡眠1期、2期、3期、4期，EEG信號的標度指數(shù)值分別為 0.95、1.00、1.12、1.22［19］。隨著睡眠程度的加深標度指數(shù)值逐漸增大，說明深度睡眠狀態(tài)下比清醒時的EEG信號具有更為平滑的振蕩模式。Gifani等利用DFA方法，研究了不同麻醉深度下的EEG信號，發(fā)現(xiàn)從清醒期、淺度麻醉到深度麻醉，標度指數(shù)值從0.8上升至2.0［20］。Parish等對癲癇患者的顱內(nèi)EEG信號進行了去趨勢波動分析，發(fā)現(xiàn)致癲癇的海馬區(qū)部位EEG信號標度指數(shù)值在0.68～0.88范圍內(nèi)波動，而非癲癇海馬區(qū)的則在0.60－0.69范圍內(nèi)波動［14］。Lee等對普通抑郁癥患者和正常人的EEG信號進行了DFA分析，結(jié)果顯示抑郁癥患者各導聯(lián)EEG信號標度指數(shù)均值為0.90，而與之對應的健康人標度指數(shù)均值為0.78，統(tǒng)計學顯示存在顯著性差異［21］。

本研究嘗試利用DFA方法，對正常健康人、腦卒中后無抑郁癥患者和腦卒中后抑郁癥患者三類被試者靜息狀態(tài)下的EEG信號進行長程冪函數(shù)相關(guān)性分析，希望通過統(tǒng)計學分析，能提取到相應特征參數(shù)，尋找到區(qū)分各類被試者的模式識別方法，從而為腦卒中后抑郁癥診斷提供具有特異性的客觀診斷指標與方法。

1 腦電數(shù)據(jù)采集

1.1 實驗對象

實驗對象包括腦卒中患者組11人和健康對照組10人。11名腦卒中患者是天津市南開大學人民醫(yī)院康復科門診或住院患者，年齡在43～70周歲之間、(57.8±10.5)歲，其中7名男性、4名女性。11名腦卒中患者中有7名腦卒中后抑郁癥患者，4名腦卒中后無抑郁患者。所有腦卒中后抑郁癥患者均符合CCMD－Ⅲ抑郁癥診斷標準，Hamilton抑郁量表評分均大于15分;所有腦卒中后無抑郁癥患者的Hamilton抑郁量表評分均小于15分。10名健康對照組年齡在39～63周歲之間，(56.3±7.2)歲，其中3名男性、7名女性，該組被試的Hamilton抑郁量表評分均小于5分。所有實驗對象均為右利手。

1.2 腦電數(shù)據(jù)采集

EEG數(shù)據(jù)采集使用NicoletOne 32通道數(shù)字視頻腦電圖儀。電極按照國際標準導聯(lián)10～20電極系統(tǒng)位置安放(電極阻抗小于10 kΩ)，以Cz作為參考電極，記錄16導聯(lián)頭皮EEG信號(Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6);信號采樣率為250 Hz，A/D轉(zhuǎn)換精度為12 bit，，濾波范圍為0.1～70 Hz。實驗條件為遠離電磁干擾的弱光環(huán)境，要求受試者在保持清醒的狀態(tài)下閉目休息。在獲取EEG數(shù)據(jù)后，進行變參考、濾波、消除干擾偽跡和獨立成分分析(independent component analysis，ICA)等處理，最終選擇240 s長度數(shù)據(jù)進行離線分析。

2 數(shù)據(jù)分析與分類方法

2.1 DFA分析與標度指數(shù)α

去趨勢波動分析(DFA)是一種改進的均方根分析方法，它相對于常用的分形分析方法具有以下兩個優(yōu)點:一是能夠檢測出時間序列信號中表面看似不平穩(wěn)但其內(nèi)在深含的自相似性;二是能夠避免誤檢由于外在因素驅(qū)動而導致明顯的自相似性趨勢［22］，具有去偽存真的長處。以每1 s數(shù)據(jù)為單位時間序列 x(k)，k={1，2，…，N}(N=250)進行DFA分析，具體算法如下:

1)構(gòu)造時間序列x(k)的去均值的和序列y(i)

式中，〈x〉為時間序列項x(k)的均值。

2)數(shù)據(jù)長度分割:將和序列y(i)分割為長度為s的不重疊片段，片段個數(shù)Ns=N/s，本研究中的分割時間長度取11個值:0.1，0.15，0.2，0.25，…，0.55，0.6 s(對應數(shù)據(jù)長度分別為:25，38，50，63，75，88，100，113，125，138，150)。

3)去除數(shù)據(jù)趨勢:通過最小二乘法擬合每一個子區(qū)間 v(v=1，2，…，Ns)上的局部趨勢函數(shù)Pv(j)(Pv(j)為第v個片段的二次曲線擬合多項式)，則區(qū)間長度為 s的去趨勢波動時間序列為Ys(i)，有

4)計算DFA波動函數(shù):分別計算Ns個區(qū)間去趨勢時間序列的平方均值為

求所有區(qū)間均值的平方根，得到DFA波動函數(shù)

若原始時間序列x(k)是長程冪函數(shù)相關(guān)的，則波動函數(shù)以冪函數(shù)增加，即F(s)∝sa。

5)計算標度指數(shù)α

以雙對數(shù)坐標畫出DFA波動函數(shù)F(s)和區(qū)間長度s的函數(shù)關(guān)系曲線，并通過線性擬合計算曲線的斜率，即為標度指數(shù)α值。

標度指數(shù)α為長程冪函數(shù)相關(guān)性提供了一個定量化指標。若α＜0.5，則表明分段時間序列相互獨立;若0.5＜α＜1.0，則表示分段時間序列存在長程冪率形式的持續(xù)相關(guān)性(具有分形維數(shù)的自相似性);若α=1，則表明分段時間序列以1/f噪聲［23］方式起伏漲落;若1.0＜α＜1.5，則表明分段時間序列不具備長程相關(guān)性;若α=1.5，則表明分段時間序列為布朗噪聲，即隨機無關(guān)。

2.2 獨立樣本t檢驗

為進一步探討3組被試者EEG數(shù)據(jù)所具有長程相關(guān)性的差異，將各被試者16導聯(lián)EEG信號的標度指數(shù)α值作為樣本，分別比較了健康對照組與腦卒中患者組的各導聯(lián)α均值和標準差、腦卒中后無抑郁組與腦卒中后抑郁組各導聯(lián)α均值和標準差，并對其差異的顯著性水平進行了獨立樣本t檢驗。

獨立樣本t檢驗是一種常用的統(tǒng)計分析方法，用于檢驗相互獨立的兩個來自正態(tài)總體的樣本均值和方差是否來源于同一總體。該方法的基本思想是應用t分布的特征，將t作為統(tǒng)計量來進行檢驗，其統(tǒng)計量的計算為

2.3 模式識別與分類

為尋找具有特異性的腦卒中后抑郁癥客觀診斷方法，嘗試以被試者靜息態(tài)下16導聯(lián)EEG信號的標度指數(shù)α值作為特征參數(shù)，采用支持向量機(support vector machines，SVM)分類器對上述3組被試者EEG數(shù)據(jù)進行模式識別研究。SVM是建立在統(tǒng)計學習VC維理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上的一種機器學習方法，在解決小樣本、非線性和高維度模式識別問題中表現(xiàn)出突出優(yōu)勢［2］，目前在生物電信號識別、醫(yī)學圖像分割等領(lǐng)域都獲得了廣泛應用。在分類識別中，使用每名被試者所對應的40個樣本值，根據(jù)其標度指數(shù)α值轉(zhuǎn)換為分類標簽值，以判別其所屬分組類型。選擇多項式作為SVM核函數(shù)，第n個樣本相應的分類函數(shù)為

式中，多項式核函數(shù)

每名被試者的分類判決值F(x)為

式中，g為每名被試者的40個樣本值中標簽值為1的個數(shù)，h為可調(diào)整閾值參數(shù)。

對于健康對照組與腦卒中患者組EEG信號間的分類，1代表健康對照組，－1代表腦卒中患者組，結(jié)果驗證使用10折交叉驗證的方法進行。對于腦卒中后無抑郁癥患者組和腦卒中后抑郁癥患者組EEG信號間的分類，1代表腦卒中后無抑郁癥患者組，－1代表腦卒中后抑郁癥患者組，結(jié)果驗證使用留一法進行。在對健康對照組與腦卒中患者組進行分類識別時，健康對照組的Hamilton量表評分(2.6±2.5)與腦卒中患者組的Hamilton量表評分(15.7±6.8)相差較大，只有當40個樣本中絕大部分樣本判別為健康對照組時，才將此被試判別為健康人，所以h值選取相對較大;在對腦卒中后無抑郁癥組與腦卒中后抑郁癥組進行分類識別時，腦卒中后無抑郁癥組的Hamilton量表評分(9.3±1.9)與腦卒中后抑郁癥組的Hamilton量表評分(19.4±5.6)相差較小，當40個樣本中有一定部分樣本判別為腦卒中后無抑郁癥組時，即可將此被試判別為腦卒中后無抑郁癥組，所以h值選取相對較小。

3 結(jié)果

3.1 獨立樣本t檢驗

圖1為健康對照組、腦卒中后無抑郁癥組及腦卒中后抑郁癥組中3個典型被試C3導聯(lián)處EEG的DFA函數(shù)線性擬合結(jié)果，標度指數(shù) α值分別為0.602、0.760、0.921，顯示出 3 組被試者 EEG 均具有長程冪律形式的持續(xù)相關(guān)性。

圖1 DFA波動函數(shù)的線性擬合圖Fig.1 Linear fit figure of DFA fluctuation function

圖2為健康對照組與腦卒中患者組各導聯(lián)標度指數(shù)α均值與標準差的比較，圖3為腦卒中后無抑郁組與腦卒中后抑郁組各導聯(lián)標度指數(shù)α均值與標準差的比較。從圖2和圖3中可以看出，上述所有受試者EEG的標度指數(shù)α值均在0.5～1之間，說明健康人與腦卒中患者EEG信號均滿足長程冪函數(shù)相關(guān)性(具有分形自相似性)。健康對照組各導聯(lián)標度指數(shù)α均值均小于腦卒中患者組，經(jīng)獨立樣本 T 檢驗，C3、C4、P3、P4、O1、T5、T6 等 7 個導聯(lián)具有顯著性差異(*:P＜0.05);腦卒中后無抑郁組標度指數(shù)α均值除P4、F8兩導聯(lián)以外，其他導聯(lián)均小于等于腦卒中后抑郁組，但經(jīng)獨立樣本t檢驗，各導聯(lián)值均無顯著性差異。

3.2 模式識別與分類

圖2 健康對照組與腦卒中患者組的腦電信號標度指數(shù)α(*:與健康對照組對比，P＜0.05;＊＊:與健康對照組對比，P＜0.01)均值與標準差比較Fig.2 The mean and the standard deviation of the scaling exponent for healthy controls and poststroke subjects(*:compared with healthy controls，P ＜0.05;＊＊:compared with healthy controls，P ＜0.01)

圖3 腦卒中后無抑郁組與腦卒中后抑郁組的腦電信號標度指數(shù)α均值與標準差比較Fig.3 The mean and the standard deviation of the scaling exponent for poststroke depression subjects and poststroke non-depression subjects

對于健康對照組與腦卒中患者組，EEG信號間的10折交叉驗證結(jié)果顯示，當閾值參數(shù)h取25時，分類正確率可以達到85.0%;當h取30時，分類正確率可以達到100%。這表明，用標度指數(shù)α值作為特征參數(shù)來區(qū)分健康人和腦卒中患者，具有很好的識別效果。對于腦卒中后無抑郁癥患者組與腦卒中后抑郁癥患者組EEG信號的留一法驗證結(jié)果顯示，當h取10時，分類正確率可以達到72.7%;當h取9時，分類正確率可以達到90.9%。這表明，用標度指數(shù)α值作為特征參數(shù)區(qū)分腦卒中后無抑郁癥患者和腦卒中后抑郁癥患者也有較好的識別效果。

4 討論和結(jié)論

表征腦卒中患者和健康人靜息態(tài)EEG信號去趨勢波動分析(DFA)的標度指數(shù)值均在0.5～1之間，表明兩類人群靜息態(tài)EEG信號均具有長程的冪律關(guān)聯(lián)性，符合長程冪率形式的分形系統(tǒng)動力學行為特征，EEG信號波動行為在不同時間尺度上具有某種相似性。健康人各導聯(lián)靜息態(tài)EEG信號去趨勢波動分析(DFA)的標度指數(shù)值均小于腦卒中患者，在 C3、C4、P3、P4、O1、T5、T6 等 7 個導聯(lián)具有顯著性統(tǒng)計差異。由分形動力學可知，當標度指數(shù)值在0.5～1之間時，值越大，說明信號的自相似規(guī)律性較強，意味著信息熵較低(值=1時，表現(xiàn)為1/f噪聲);反之值越小，則信號的隨機性較強，意味著信息熵較高(值=0.5時，表現(xiàn)為白噪聲)。這說明，腦卒中患者靜息態(tài)EEG信號相對于健康人具有更強的自相似規(guī)律性，振蕩模式更為平滑，可能是腦卒中患者腦部結(jié)構(gòu)病理性改變所致。關(guān)于造成不同人群及不同生理病理狀態(tài)下EEG信號表現(xiàn)出的長程冪函數(shù)相關(guān)性的差異性原因，還沒有完全清楚，一些研究推測，這與神經(jīng)振蕩產(chǎn)生的特殊機制相關(guān)，標度行為或長程相關(guān)性的差異反映著神經(jīng)元振蕩可能受到與其起源相關(guān)的特殊機制的影響［18］;本研究推測，腦卒中引起的神經(jīng)元壞死等腦部病理性改變使得EEG信號振蕩源特性發(fā)生了改變，進而影響了EEG信號的振蕩模式。有關(guān)研究表明，標度指數(shù)值可以有效地量化大腦自發(fā)振蕩的潛在動力學過程特征［16］，不同節(jié)律EEG振蕩有其特異性標度指數(shù)值?；诖耍狙芯肯乱徊降墓ぷ髦攸c之一為:利用去趨勢波動分析(DFA)，研究不同節(jié)律下各組人群EEG信號的長程冪函數(shù)相關(guān)性特征。腦卒中后無抑郁癥患者絕大多數(shù)導聯(lián)靜息態(tài)EEG信號去趨勢波動分析(DFA)的標度指數(shù)值小于腦卒中后抑郁癥患者，表明抑郁狀態(tài)對腦電生理活動的長程冪相關(guān)性也有所影響。抑郁癥患者靜息態(tài)EEG信號振蕩模式更為平滑，衰減更為緩慢。本研究推測，腦卒中后抑郁癥患者由于特定部位腦組織(尤其是神經(jīng)細胞)受損引起神經(jīng)遞質(zhì)釋放減少，相對于腦卒中后無抑郁癥患者神經(jīng)元振蕩模式有所不同。雖然本研究EEG實驗數(shù)據(jù)未檢驗出其間顯著性統(tǒng)計學差異，但利用支持向量機(SVM)分類工具，將DFA的特征參數(shù)值放入高維特征空間進行模式識別，仍可以取得高達90%的分類正確率，正說明DFA具有前述能夠檢測出時間序列信號中表面看似不平穩(wěn)但其內(nèi)在深含的自相似性，即去偽存真的長處。未檢驗出統(tǒng)計學意義上的顯著性差異可能是由于樣本量的限制，本研究將繼續(xù)收集腦卒中后兩類人群的靜息態(tài)EEG信號做進一步分析，以得到更加顯著可靠的結(jié)論。

通過對11名腦卒中患者(其中7名患抑郁癥，4名未患抑郁癥)和10名健康對照組受試者靜息態(tài)EEG信號進行去趨勢波動分析(DFA)，提取其特征參數(shù)(標度指數(shù)值)，利用支持向量機(SVM)分類器進行模式識別，可以得到以下初步結(jié)論:一是腦卒中患者和健康人靜息態(tài)EEG信號均具有長程的冪律關(guān)聯(lián)性;二是相對于健康人，腦卒中患者的靜息態(tài)EEG信號具有更強的自相似規(guī)律性，振蕩模式更為平滑，而腦卒中后抑郁癥患者較無抑郁癥患者此現(xiàn)象更為嚴重。

綜上所述，筆者認為可以考慮基于受試者靜息狀態(tài)下EEG信號的去趨勢波動分析(DFA)，提取其標度指數(shù)值作為腦卒中后抑郁癥的特征參數(shù)，再利用支持向量機(SVM)進行高維特征空間模式識別，這有望為臨床腦卒中后抑郁癥(PSD)提供客觀有效的輔助診斷手段，所以值得深入繼續(xù)研究。

［1］王文志.中國腦卒中流行病學特征和社區(qū)人群干預［J］.中國醫(yī)學前沿雜志，2009，1(2):49 －53.

［2］丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述［J］. 電子科技大學學報，2011，40(1):2 －10.

［3］Angelelli P，Paolucci S，Bivona U，et al.Development of neuropsychiatric symptomsin poststroke patients:a crosssectional study［J］.Acta Psychiatr Scand，2004，110(1):55 －63.

［4］何舒，林渝峰，李霞.抑郁癥的發(fā)病機制研究進展［J］.四川生理科學雜志，2006，28(3):126 －128.

［5］Baskaran A，Milev R，McIntyre RS.The neurobiology of the EEG biomarker as a predictor of treatment response in depression［J］.Neuropharmacology，2012，63(4):507－513.

［6］Koek RJ，Yerevanian BI，Tachiki KH，et al.Hemispheric asymmetry in depression and mania A longitudinal QEEG study in bipolar disorder［J］.Journal of Affective Disorders，1999，53(2):109－122.

［7］陳愛美.基于神經(jīng)振蕩的抑郁癥腦電信號分析［D］.秦皇島:燕山大學，2010.

［8］胡巧莉.基于相位同步分析方法的抑郁癥腦電信號的研究［J］. 中國醫(yī)療器械雜志，2010，34(4):246 －249.

［9］Davidson RJ.Anterior electrophysiological asymmetries，emotion，and depression:Conceptual and methodological conundrums［J］.Psychophysiology，1998，35(5):607 －614.

［10］Pollock V，Schneider L.Quantitative，waking EEG research on depression［J］.Biol Psychiatry，1990，27(7):757 －780.

［11］Henriques JB，Dividson RJ. Regional brain electrical asymmetriesdiscriminatebetween previouslydepressed and healthy control subjects［J］.J Abnorm Psychol 1990，99(1):22－31.

［12］Ahmadlou M，Adeli H，Adeli A.Fractality analysis of frontal brain in major depressive disorder ［J］.Int J Psychophysiol，2012，85(2):206－211.

［13］李穎潔，邱意弘，朱貽盛.腦電信號分析方法及其應用［M］.北京:科學出版社，2009:111－117.

［14］梁曉花.基于腦電心電數(shù)據(jù)融合的睡眠分期［D］.南京:江蘇大學，2008.

［15］Watters PA，Martin F.A method for establishing long－range power law correlations from the electroencephalogram［J］.Biol Psychiatry，2004，66:79 －89.

［16］Nikulin VV，Brismar T.Long－range temporal correlations in electroencephalographic oscillations:relation to topography，frequency band，age and gender［J］.Neuroscience，2005，130:549－58.

［17］Watters PA，Martin F.A method for estimating long－range power law correlations from theelectroencephalogram ［J］. Biol Psychiatry，2004，66(1):79 －89.

［18］Nikulin VV，Brismar T.Long－range temporal correlations in electroencephalographic oscillations:relation to topography，frequency band，age and gender［J］.Neuroscience，2005，130(2):549－558.

［19］Lee JM，Kim DJ，Kim IY，et al.Nonlinear－analysis of human sleep EEG using detrended fluctuation analysis［J］.Med Eng Phys，2004，26(9):773 －776.

［20］Gifani P，Rabiee HR，Hashemi MH，et al.Optimal fractalscaling analysis of human EEG dynamic for depth of anesthesia quantification［J］.J Franklin Inst，2007，344:212 －229.

［21］Lee JS，Yang BH，Lee JH，et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls［J］.Clinical Neurophysiology，2007，118:2489 －2496.

［22］Parish LM，Worrell GA，Cranstoun SD，et al.Long－range temporal correlations in epileptogenic and non－epileptogenic human hippocampus［J］.Neuroscience，2004，125(4):1069 －1076.

［23］Bak P，Tang C，Wiesenfeld K.Self－organized criticality:an explanation of the 1/f noise［J］.Phys Rev Lett，1987，59(4):381－384.