陳澤龍，林少煒，張少涵，張振昌，陳自謙*

（1.聯(lián)勤保障部隊(duì)第900 醫(yī)院醫(yī)學(xué)影像中心，福州350025；2.福建醫(yī)科大學(xué)，福州350122；3.福建農(nóng)林大學(xué)，福州350002）

0 引言

疲勞是一種主觀不適感，是對(duì)有機(jī)體的工作能力逐漸減弱的警告而形成的一種自我保護(hù)狀態(tài)。疲勞會(huì)影響個(gè)體的身體、認(rèn)知和情緒，從而降低工作效率[1]。由于醫(yī)療工作的專業(yè)性和特殊性，醫(yī)護(hù)人員是過(guò)度疲勞的高危人群之一[2-3]。醫(yī)護(hù)人員疲勞容易造成醫(yī)療事故，而醫(yī)護(hù)人員的工作與患者生命有著密切關(guān)系，因此研究醫(yī)護(hù)人員疲勞的檢測(cè)方法具有非常重要的意義。

目前，醫(yī)護(hù)人員疲勞的檢測(cè)主要使用各種疲勞量表[4-5]，這種檢測(cè)方式具有較強(qiáng)主觀性，且對(duì)不同條目的理解各有不同，導(dǎo)致基于量表的結(jié)果往往不太令人滿意。有學(xué)者研究表明，疲勞過(guò)程的產(chǎn)生往往與大腦皮質(zhì)區(qū)電位息息相關(guān)，腦電信號(hào)直接表征了大腦皮層的神經(jīng)活動(dòng)狀態(tài)，因此可以用腦電信號(hào)來(lái)客觀評(píng)估疲勞情況[6-7]。與傳統(tǒng)精神疲勞測(cè)定方法比較，采用腦電信號(hào)分析方法測(cè)定精神疲勞可定量化，具有較強(qiáng)客觀性[8]。目前有多種方式可以對(duì)腦電信號(hào)進(jìn)行特征提取，但腦電信號(hào)是神經(jīng)元?jiǎng)幼麟娢粺o(wú)規(guī)則活動(dòng)，具有非線性性和混沌性，因此近來(lái)基于非線性動(dòng)力學(xué)系統(tǒng)的特征提取受到越來(lái)越多的關(guān)注[9]。樣本熵（sample entropy，SE）是通過(guò)度量信號(hào)中產(chǎn)生新模式的概率大小來(lái)衡量信號(hào)序列的復(fù)雜性，而多尺度熵（multiscale entropy，MSE）可對(duì)數(shù)據(jù)進(jìn)行粗?；幚?，計(jì)算不同粒度下的樣本熵，具有較好的抗噪聲和抗干擾效果[10-11]。本文對(duì)不同疲勞狀態(tài)下的醫(yī)護(hù)人員腦電數(shù)據(jù)進(jìn)行多尺度熵分析，旨在對(duì)醫(yī)護(hù)人員職業(yè)疲勞評(píng)估提供參考。

1 研究對(duì)象與方法

1.1 研究對(duì)象

選取本院護(hù)理人員30 名，均為健康成年女性，年齡20～38 歲，平均年齡（25±2.6）歲。本研究選取護(hù)理人員作為研究對(duì)象主要考慮護(hù)理人員數(shù)量較多，便于數(shù)據(jù)采集；同時(shí)臨床護(hù)理人員值夜班，疲勞現(xiàn)象比較明顯，特征比較突出。

1.2 研究方法

1.2.1 腦電信號(hào)采集

采用美國(guó)NeuroSky 公司生產(chǎn)的Mindwave 系列單通道便攜式腦電采集設(shè)備進(jìn)行腦電信號(hào)采集，干電極置于前額葉FP1 處，耳垂電極為參考電極，采樣頻率512 Hz，可獲得包含腦電原始電壓值、時(shí)間戳等數(shù)據(jù)的Excel 數(shù)據(jù)表。采集腦電數(shù)據(jù)時(shí)研究對(duì)象端坐閉眼，每次采集時(shí)間約為3 min，一般采集3次數(shù)據(jù)，每次采集所得Excel 數(shù)據(jù)表包含9 萬(wàn)多條數(shù)據(jù)。

1.2.2 腦電信號(hào)預(yù)處理

應(yīng)用奇異譜分析（singularspectrumanalysis，SSA）[12]對(duì)采集后的腦電信號(hào)進(jìn)行去噪處理（如圖1 所示）。該方法利用對(duì)相空間的分解和重構(gòu)來(lái)實(shí)現(xiàn)原始信號(hào)成分識(shí)別。在重構(gòu)步驟中，可以通過(guò)對(duì)信號(hào)成分進(jìn)行分組以實(shí)現(xiàn)信噪分離，從而完成對(duì)原始信號(hào)的降噪處理，即將原始信號(hào)X 表示為有用信號(hào)S 和噪聲N之和（X=S+N）。其中有用信號(hào)由較大的r 個(gè)奇異值給出，體現(xiàn)了信號(hào)的主要能量，而剩下的較小奇異值被認(rèn)為是噪聲成分?；赟SA 的信號(hào)去噪方法對(duì)噪聲頻譜分布不敏感，具有自適應(yīng)降噪的效果。在本文中，根據(jù)文獻(xiàn)推薦[12]，SSA 中的窗口長(zhǎng)度取序列長(zhǎng)度的一半，而奇異值數(shù)目r 取奇異值和占比達(dá)到90%的個(gè)數(shù)。

圖1 腦電信號(hào)去噪前后對(duì)比圖

1.2.3 FS-14 疲勞量表

FS-14 疲勞量表是英國(guó)的Chalder 等專家于1992 年共同編制的[4]。FS-14 疲勞量表包含14 個(gè)條目，分為2 類：一類是體力疲勞，有8 個(gè)條目：（1）是否感覺(jué)周身不適、腿腳發(fā)軟；（2）是否需要休息；（3）是否感覺(jué)困倦；（4）是否感覺(jué)動(dòng)作笨拙；（5）是否感覺(jué)難以繼續(xù)做事；（6）是否感覺(jué)渾身無(wú)力；（7）是否感覺(jué)肌肉無(wú)力；（8）是否想躺下休息。另一類是精神疲勞，有6 個(gè)條目，分別為：（1）思想是否難以集中；（2）是否思路不清晰；（3）是否容易做錯(cuò)事；（4）是否感覺(jué)表述比較困難；（5）記憶力是否下降；（6）是否對(duì)事物冷淡、不感興趣。每個(gè)條目分值為1 分，符合得1 分，否則得0 分，最高得分為14 分，分值越高反映被測(cè)對(duì)象越疲勞。

研究對(duì)象采集腦電數(shù)據(jù)之前均首先填寫FS-14疲勞量表，量表得分作為評(píng)價(jià)疲勞程度的依據(jù)。

1.2.4 多尺度熵基本理論

樣本熵是通過(guò)度量信號(hào)中產(chǎn)生新模式的概率大小來(lái)衡量時(shí)間序列復(fù)雜性，新模式產(chǎn)生的概率越大，序列的復(fù)雜性越大，樣本熵的值越大。多尺度熵是在樣本熵的基礎(chǔ)上引入尺度因子，分析信號(hào)在不同尺度因子下的復(fù)雜性[10]。其算法包含序列粗粒化和樣本熵計(jì)算兩部分，具體如下：

（1）給定原始離散序列{x1，x2，…，xn}和尺度因子k（k=1，2，…），構(gòu)造粗?；蛄衶yj（k）}，計(jì)算公式如下：

粗?；蟮男蛄虚L(zhǎng)度為原始序列長(zhǎng)度除以尺度因子k，當(dāng)尺度因子為1 時(shí)，就是原始序列。

（2）給定相似度閾值r，計(jì)算粗?；笮蛄衶yj（k）}的樣本熵，具體步驟如下：

①重構(gòu)m 維向量y（1），y（2），…，y（n-m+1），其中向量

②計(jì)算任意2 個(gè)重構(gòu)向量y（i）、y（j）的距離d（y（i），y（j）），距離定義為2 個(gè)向量中對(duì)應(yīng)位置元素最大差值的絕對(duì)值。

③以y（i）為匹配模板，計(jì)算任一向量y（j）（j≠i）與模板的匹配概率公式如下：

其中I（·）為指示函數(shù)。

④計(jì)算平均相似率Bm（r），公式如下：

⑤按步驟①～④計(jì)算m+1 時(shí)的平均相似率Bm+1（r）。

⑥樣本熵定義為

在本文中，比較向量長(zhǎng)度m 取2，相似度閾值r取0.2×std，其中std 為原始序列的標(biāo)準(zhǔn)差。

1.2.5 統(tǒng)計(jì)學(xué)分析

把每個(gè)研究對(duì)象每次采集的腦電數(shù)據(jù)分成3段，每段含有連續(xù)的30 720 個(gè)數(shù)據(jù)點(diǎn)，分別計(jì)算其多尺度熵值，然后利用混合線性模型計(jì)算各尺度熵的組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）。各尺度熵與FS-14 疲勞量表得分的相關(guān)關(guān)系分別采用Pearson 相關(guān)分析和典型相關(guān)分析，P＜0.05 表示差異有統(tǒng)計(jì)學(xué)意義。使用統(tǒng)計(jì)軟件R 3.5 完成所有數(shù)據(jù)預(yù)處理和統(tǒng)計(jì)分析。

2 結(jié)果

2.1 調(diào)查對(duì)象疲勞狀態(tài)

本次調(diào)查對(duì)象FS-14 疲勞量表得分范圍為0～14 分，其均值為6.32 分，標(biāo)準(zhǔn)差為4.22 分。

2.2 多尺度熵測(cè)量值的穩(wěn)定性

各尺度熵值的組內(nèi)相關(guān)系數(shù)在0.759～0.855，均大于0.75，提示各尺度熵具有良好信度，其測(cè)量值穩(wěn)定性較好（如圖2 所示）。

圖2 各尺度熵的組內(nèi)相關(guān)系數(shù)

2.3 各尺度熵值與FS-14 疲勞量表的相關(guān)關(guān)系

將各尺度熵值與FS-14 疲勞量表得分進(jìn)行相關(guān)分析，結(jié)果顯示：FS-14 疲勞量表得分與各尺度熵值呈負(fù)相關(guān)，其相關(guān)系數(shù)在-0.376～-0.158，屬于中低程度相關(guān)（如圖3 所示）。隨著尺度增加，其熵值與FS-14 疲勞量表得分的線性相關(guān)程度越來(lái)越弱。經(jīng)統(tǒng)計(jì)檢驗(yàn)，尺度1 到尺度8 的相關(guān)系數(shù)有統(tǒng)計(jì)學(xué)意義（P＜0.05），而尺度9 及以后的各尺度的相關(guān)系數(shù)無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。

圖3 各尺度熵與FS-14 疲勞量表得分的相關(guān)系數(shù)

2.4 多尺度熵值與FS-14 疲勞量表的典型相關(guān)分析

把15 個(gè)尺度熵當(dāng)成多尺度熵因子，將其與FS-14 疲勞量表進(jìn)行典型相關(guān)分析。結(jié)果表明，第一個(gè)典型相關(guān)系數(shù)為0.700（P＜0.001），提示由15 個(gè)尺度熵值構(gòu)成的因子與FS-14 疲勞量表得分具有較高程度線性相關(guān)。第一典型因子在各尺度熵上的系數(shù)分別為2.770、5.270、-9.508、8.944、-0.419、-5.935、3.786、1.058、-2.822、0.724、0.682、1.789、-2.937、-0.897 和1.448。第一典型因子在各尺度熵上的系數(shù)絕對(duì)值除了尺度5 較小，其他都較大，提示各尺度對(duì)第一典型因子有所關(guān)聯(lián)。

3 討論

由于醫(yī)療行業(yè)的特殊性，醫(yī)護(hù)人員工作時(shí)間長(zhǎng)，勞動(dòng)負(fù)荷大，容易出現(xiàn)疲勞狀態(tài)，導(dǎo)致工作效率降低，甚至引發(fā)醫(yī)療事故等各種問(wèn)題[2]。為了比較客觀地檢測(cè)醫(yī)護(hù)人員的疲勞狀態(tài)，本文探討了醫(yī)護(hù)人員疲勞與腦電信號(hào)特征的關(guān)系。

樣本熵表征了信號(hào)的復(fù)雜性，是腦電非線性特征的一種衡量。多尺度熵將樣本熵?cái)U(kuò)展到多個(gè)時(shí)間尺度，以便在時(shí)間尺度不確定時(shí)提供額外的觀察視角。ICC 是衡量和評(píng)價(jià)測(cè)量穩(wěn)定性的信度系數(shù)[13]。本文各尺度熵的ICC 均大于0.75，提示各尺度熵信度良好，具有測(cè)量穩(wěn)定性。

腦電信號(hào)是腦神經(jīng)細(xì)胞電生理活動(dòng)在大腦皮層的總體反映，其特征與人體多種精神狀態(tài)密切相關(guān)[14-15]，因此復(fù)雜度降低可能是病理性動(dòng)力學(xué)的潛在表現(xiàn)。本文驗(yàn)證了此假說(shuō)，各尺度熵與疲勞量表得分呈負(fù)相關(guān)，即隨著疲勞程度的增加會(huì)降低個(gè)體適應(yīng)能力，同時(shí)也導(dǎo)致腦電蘊(yùn)含信息量下降。雖然各尺度熵能有效區(qū)分疲勞與非疲勞群體[7，9]，但本文結(jié)果顯示，各尺度熵與疲勞的相關(guān)程度并不高（相關(guān)系數(shù)絕對(duì)值最大0.376），且隨著尺度的增加，其相關(guān)性越來(lái)越弱。因此，單獨(dú)使用各尺度熵值并不能很好地衡量疲勞狀態(tài)。

典型相關(guān)分析利用綜合變量對(duì)之間的相關(guān)關(guān)系來(lái)反映2 組指標(biāo)之間的整體相關(guān)性。相比于各尺度熵值與疲勞量表得分的相關(guān)系數(shù)，基于典型相關(guān)分析的各尺度熵值的典型變量與疲勞量表得分的相關(guān)系數(shù)有較大提高（0.700），能較好地反映疲勞狀態(tài)。

綜上所述，多尺度熵具有良好的測(cè)量信度，是一種客觀地反映疲勞狀態(tài)的測(cè)量指標(biāo)，適合于對(duì)疲勞狀態(tài)的監(jiān)測(cè)與評(píng)估。

受客觀條件的限制，本文的研究對(duì)象為臨床護(hù)理人員，均為女性，樣本屬性比較單一，后續(xù)研究將擴(kuò)大樣本采集范圍，增加男性醫(yī)護(hù)人員數(shù)據(jù)研究，并針對(duì)不同年齡段做不同分析研究。多尺度熵是腦電信號(hào)的一個(gè)特征量，下一步研究將結(jié)合腦電信號(hào)其他特征量做綜合分析，從而提高疲勞分析準(zhǔn)確性。