許學(xué)添， 蔡躍新

(1. 廣東司法警官職業(yè)學(xué)院 信息管理系， 廣東 廣州 510520;2. 中山大學(xué)孫逸仙紀(jì)念醫(yī)院 耳鼻喉科聽力學(xué)與言語(yǔ)研究所， 廣東 廣州 510120)

0 引言

耳鳴被廣泛認(rèn)為是在沒(méi)有聲音事件情況下的聲音感知，其發(fā)病率較高，成年人耳鳴患病率約為17%，目前沒(méi)有明確的病因及治療方法，普遍認(rèn)為耳鳴不僅由外周聽力損失引起，而且還由于大腦中樞聽覺(jué)通路中的異常神經(jīng)活動(dòng)引起[1]，大腦的病變是引起耳鳴的主要原因。因此，隨著腦電圖、腦磁圖、功能磁共振成像等大腦信息表達(dá)技術(shù)的發(fā)展，為觀察探究中樞神經(jīng)系統(tǒng)提供了有效的手段，也為耳鳴的研究打開了新的視角。其中腦電圖由于其有效地描述了大腦神經(jīng)元的電活動(dòng)及信息傳遞，而且具有較高的時(shí)間、空間、頻譜分辨率，在耳鳴分析中應(yīng)用得較多。Cai等[2]通過(guò)大腦微狀態(tài)研究了耳鳴病人與正常人微狀態(tài)持續(xù)時(shí)間、轉(zhuǎn)換率等的差異；Li等[3]提取了各路導(dǎo)聯(lián)腦電信號(hào)的相位信息并通過(guò)余弦映射成特征值，再進(jìn)行SVM分類；Alonso等[4]建立一種以腦電圖(EEG)活動(dòng)評(píng)估為基礎(chǔ)的聲學(xué)治療耳鳴的客觀方法，其評(píng)估指標(biāo)就是腦電圖信號(hào)與刺激音頻的事件相關(guān)振蕩EROs值。

這些分析，大多是從信號(hào)本身的特征(幅值、頻譜、相位)去分析耳鳴病人與正常人的EEG信號(hào)差異，無(wú)法反映大腦的連通關(guān)系。大腦作為一個(gè)神經(jīng)元的連通網(wǎng)絡(luò)，是一個(gè)復(fù)雜的動(dòng)力學(xué)系統(tǒng)，已有一些研究通過(guò)各路腦電信號(hào)間的相關(guān)性運(yùn)算，建立大腦功能性網(wǎng)絡(luò)[5]，再運(yùn)用復(fù)雜網(wǎng)絡(luò)的理論與方法，分析大腦的網(wǎng)絡(luò)連接，例如Supriya等[6]通過(guò)lucasa可見圖算法[7]建立了大腦連接網(wǎng)絡(luò)，并引入了復(fù)雜網(wǎng)絡(luò)統(tǒng)計(jì)特性檢測(cè)不同邊緣強(qiáng)度的癲癇腦電信號(hào)。Gao等[8]根據(jù)不同節(jié)點(diǎn)的EEG信號(hào)之間的相對(duì)小波熵建立大腦復(fù)雜網(wǎng)絡(luò)，提取了一系列的網(wǎng)絡(luò)統(tǒng)計(jì)量來(lái)表征大腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，進(jìn)行基于腦電圖的疲勞駕駛分類。Supriya等[9]提出了一種用于癲癇綜合征檢測(cè)的復(fù)雜網(wǎng)絡(luò)可視化圖邊緣加權(quán)方法，用復(fù)雜網(wǎng)絡(luò)來(lái)描述癲癇腦電信號(hào)的自動(dòng)檢測(cè)方法。Li等[10]通過(guò)信號(hào)的相關(guān)性建立了大腦連接網(wǎng)絡(luò)，通過(guò)網(wǎng)絡(luò)加權(quán)模體和帶顏色模體進(jìn)行高階網(wǎng)絡(luò)分析。這些大腦連接網(wǎng)絡(luò)都是通過(guò)計(jì)算信號(hào)之間的相關(guān)性來(lái)建立，沒(méi)有考慮大腦神經(jīng)元的同步放電特征，本文提出了一種新的耳鳴檢測(cè)方法，從EEG信號(hào)的相位關(guān)系為出發(fā)點(diǎn)，根據(jù)不同節(jié)點(diǎn)EEG信號(hào)的鎖相值建立節(jié)點(diǎn)的連接關(guān)系，建立大腦功能網(wǎng)絡(luò)連接圖，分析該圖的多個(gè)復(fù)雜網(wǎng)絡(luò)特征形成特征向量，再利用機(jī)器學(xué)習(xí)分類算法對(duì)耳鳴組與正常組的EEG信號(hào)進(jìn)行分類檢測(cè)。

1 大腦功能網(wǎng)絡(luò)

1.1 鎖相值

腦電信號(hào)不同頻帶內(nèi)的相位同步已被證明是解釋神經(jīng)元整合的一種可能機(jī)制[11]，通過(guò)鎖相值(PLV)來(lái)表示兩路腦電信號(hào)的相位同步關(guān)，鎖相值的計(jì)算如式(1)。

(1)

(2)

其中Ci(t,ω)為第i路信號(hào)Si的RID-Rihaczek分布[12]，如式(3)。

(3)

Ai(θ,τ)為第i路信號(hào)Si的模糊函數(shù)為式(4)。

(4)

1.2 建立大腦功能性網(wǎng)絡(luò)

定義每個(gè)導(dǎo)聯(lián)電極所測(cè)量區(qū)域?yàn)閳D中的一個(gè)節(jié)點(diǎn)，將多路EEG信號(hào)抽象為一個(gè)由點(diǎn)集和邊集組成的圖G：G=(V,E),其中V為節(jié)點(diǎn)的集合，對(duì)應(yīng)EEG腦號(hào)采集的導(dǎo)聯(lián)節(jié)點(diǎn)，E為邊的集合，若任兩個(gè)節(jié)點(diǎn)i和j的EEG信號(hào)間的鎖相值PLVij大于等于閾值δ，則認(rèn)為大腦區(qū)域的節(jié)點(diǎn)i和j之間有連接關(guān)系，鄰接矩陣W對(duì)應(yīng)的元素ωij=1，反之，ωij=0，表示大腦區(qū)域的節(jié)點(diǎn)i和j之間有沒(méi)有連接關(guān)系。整個(gè)大腦功能網(wǎng)絡(luò)圖的建立如圖1所示。

圖1 建立大腦功能網(wǎng)絡(luò)

2 復(fù)雜網(wǎng)絡(luò)特征

基于復(fù)雜網(wǎng)絡(luò)理論的大腦連接網(wǎng)絡(luò)圖中具有很多有價(jià)值的網(wǎng)絡(luò)特征，提取這些復(fù)雜網(wǎng)絡(luò)特征參數(shù)可以有效反映大腦網(wǎng)絡(luò)的狀態(tài)。本文所計(jì)算的復(fù)雜網(wǎng)絡(luò)特征的計(jì)算方式及描述，如表1所示。

表1 復(fù)雜網(wǎng)絡(luò)特征指標(biāo)描述

根據(jù)8個(gè)復(fù)雜網(wǎng)絡(luò)特征構(gòu)建特征網(wǎng)絡(luò)向量，如式(5)。

(5)

3 結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文耳鳴患者的EEG數(shù)據(jù)來(lái)源于就診中山大學(xué)孫逸仙紀(jì)念醫(yī)院耳科門診，共有25份樣本，對(duì)照組是25位正常人的EEG數(shù)據(jù)。數(shù)據(jù)的收集采用美國(guó)EGI公司的128導(dǎo)腦分析儀，對(duì)每個(gè)受試者原始數(shù)據(jù)進(jìn)行預(yù)處理，具體步驟包括：① 加載與電極帽電極位置相對(duì)應(yīng)的坐標(biāo)文件；② 通過(guò)凹陷濾波，去除50 Hz工頻干擾；③ 進(jìn)行0.5～80 Hz的帶通濾波；④ 去掉眼睛周邊及位于鼻根等與大腦中樞無(wú)直接相關(guān)的電極；⑤ 去除壞電極；⑥ 使用ICA算法將偽跡相關(guān)的獨(dú)立成分去除。

3.2 小世界網(wǎng)絡(luò)特性分析

大腦功能網(wǎng)絡(luò)具有小世界網(wǎng)絡(luò)的無(wú)標(biāo)度特性，其度分布遵循冪律分布，正常組、耳鳴組大腦功能網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)的度分布圖，如圖2所示。

圖2 網(wǎng)絡(luò)度分布圖

可見正常人與耳鳴患者的大腦功能網(wǎng)絡(luò)度分布呈現(xiàn)“長(zhǎng)尾效應(yīng)”，基本滿足冪律分布，對(duì)應(yīng)節(jié)點(diǎn)數(shù)的隨機(jī)網(wǎng)絡(luò)度分布則呈現(xiàn)泊松分布。

正常組、耳鳴組和隨機(jī)網(wǎng)絡(luò)的聚類系數(shù)和特征路徑長(zhǎng)度，如圖3所示。

(a) 聚類系數(shù)

無(wú)論是正常組還是耳鳴組，大腦功能網(wǎng)絡(luò)的聚類系數(shù)平均值都大于隨機(jī)網(wǎng)絡(luò)，特征路徑長(zhǎng)度平均值都小于隨機(jī)網(wǎng)絡(luò)，符合較大聚類系數(shù)和較短特征路徑長(zhǎng)度的小世界網(wǎng)絡(luò)特性，因此兩者對(duì)應(yīng)的小世界系數(shù)大于1。

3.3 復(fù)雜網(wǎng)絡(luò)特征分類

根據(jù)大腦功能網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)特征向量 作為輸入特征，本文采用支持向量機(jī)(SVM)、K最近鄰(KNN)、隨機(jī)森林(RF)和梯度提升決策樹(GBDT)分類器對(duì)正常人與耳鳴患者的腦電信號(hào)分類，通過(guò)網(wǎng)格搜索方法，5折交叉驗(yàn)證法尋找各個(gè)分類器的最優(yōu)參數(shù)，用準(zhǔn)確率、精確率、召回率和F1-score四個(gè)指標(biāo)和RCO曲線來(lái)衡量分類結(jié)果，如表2所示。

表2 分類結(jié)果

4種分類器的ROC曲線如圖4所示。

圖4 四種分類器ROC曲線

SVM分類器具有最好的分類結(jié)果，準(zhǔn)確率達(dá)到94%。對(duì)于耳鳴患者與正常人的大腦復(fù)雜網(wǎng)絡(luò)特征分類，由于RF分類器比較依賴數(shù)據(jù)樣本量或者較高的數(shù)據(jù)維度，GBDT分類器對(duì)異常值較敏感，因此分類效果不如適應(yīng)小樣本量、泛化能力較強(qiáng)的KNN分類器和SVM分類器。

4 總結(jié)

本文利用鎖相值建立大腦功能性網(wǎng)絡(luò)，提取了正常人與耳鳴患者的8個(gè)復(fù)雜網(wǎng)絡(luò)特征以分析大腦功能性網(wǎng)絡(luò)。結(jié)果表明，正常人與耳鳴患者的大腦功能網(wǎng)絡(luò)都具有小世界網(wǎng)絡(luò)特性：無(wú)標(biāo)度特性、較大的聚類系數(shù)和較小的特征路徑長(zhǎng)度；這些復(fù)雜網(wǎng)絡(luò)特征能夠有效描述大腦的信息傳輸能力，反映不同功能區(qū)域的連接和反應(yīng)，并在兩類人群上都體現(xiàn)了差別；根據(jù)這些復(fù)雜網(wǎng)絡(luò)特征值，采用支持向量機(jī)、K最近鄰、隨機(jī)森林和梯度提升決策樹4種分類器進(jìn)行分類比較，SVM算法取得最好的分類效果，準(zhǔn)確率達(dá)到94%，驗(yàn)證了將復(fù)雜網(wǎng)絡(luò)理論應(yīng)用到在大腦功能性網(wǎng)絡(luò)的分類中，能取得較好的效果，為大腦神經(jīng)損傷類疾病的智能識(shí)別，提供了一種新的思路。