梅 戩 王小宇 劉 楊 李景琦 劉克洪 楊 勇* 叢豐裕*

1(杭州電子科技大學自動化學院，杭州 310018)

2(大連理工大學生物醫(yī)學工程學院，遼寧 大連 116024)

3(浙江音樂學院研究生院，杭州 310024)

4(杭州明州腦康康復醫(yī)院神經康復科，杭州 310000)

5 (武警浙江省總隊杭州醫(yī)院康復科，杭州 310051)

引言

大腦對音樂的加工是一個從提取聲音低級特征再抽象出高級音樂結構的層級神經加工過程[1]。近年來，音樂感知與意識的關系成為認知科學領域的關注點之一，對音樂感知與意識關系的探索有助于揭示人類腦認知活動的神經機理，同時對音樂治療的臨床應用也具有重要意義。

以往對音樂感知的研究都基于意識清晰狀態(tài)，如利用清醒被試的功能磁共振(functional magnetic resonance imaging, fMRI)研究音樂激活的大腦區(qū)域[2]、利用事件相關電位(event-related potential, ERP)研究音樂感知的ERP響應在波形和節(jié)律上的變化[3]，以及研究意識清晰腦損傷的患者聽音樂時的神經活動[4]等。隨著微意識狀態(tài)(minimally consciousness state, MCS)、植物狀態(tài)(vegetative state, VS)概念的提出，作為天然的意識障礙模型，這兩種意識狀態(tài)為音樂感知與意識關系探索提供了新的模型和研究范式。以往對不同意識狀態(tài)被試施加聲音刺激的研究發(fā)現，植物狀態(tài)被試、微意識狀態(tài)被試和正常人，在受聲音刺激時的腦電信號(electroencephalogram, EEG)特征[5]、失匹配負波(mismatch negative, MMN)波形[6]和功能磁共振反應[7]的腦皮層反應均有差異。

近年來涌現了許多新穎的研究方法，包括腦電信號處理方法、音樂信息學特征分析方法等，為探索音樂感知與意識關系提供了新視角。叢豐裕等利用張量分解，提取了聽音樂時的腦電信號的多維特征，并驗證了可行性[8]。腦電信號是大量神經信號疊加而成的混合信號，因此在研究音樂特征與腦電信號的關系之前，必須首先從腦電中提取出與音樂特征相關的神經活動成分。張量分解是一種多維的盲源分離方法，它將腦電信號分解成多個獨立的具有多維特征的源成分，每個獨立的源成分就是一種獨立的神經活動[9]。相對其他盲源分離方法(如獨立成分分析)，張量分解可以在多維的特征空間利用數學模型算法，將采集到的混合信號分離為多種獨立的張量成分，同時保留信號的多維特征，如時域、頻域、空間分布[10-12]。最后，通過計算成分和音樂的時域特征相關性，篩選與音樂特征相關的神經活動，進而獲得響應音樂特征的腦電信號成分。

此外，以往研究音樂特征多采用聲學特征(音強、音高、音色)。2012年，從信號角度，基于音樂的局部旋律和音域特性，Alluri等提出了音樂時域信號特征的概念，包括fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode[13](詳見本文附錄介紹)。Alluri結合這些音樂特征，研究被試聽音樂時的fMRI，發(fā)現大腦在處理這些音樂特征時，一個涉及認知、運動和腦邊緣回路的大規(guī)模腦活動被激活[13]。這將音樂感知的研究從傳統(tǒng)的聲學范式引入到了信號學層面，并為音樂加工的腦機制研究范式提供了新的視角。

基于腦電信號分析的新技術及音樂信息學(信號)特征，本研究開展不同意識狀態(tài)對音樂感知的差異性研究，揭示意識狀態(tài)如何對大腦加工音樂產生影響。通過設計音樂刺激實驗，采集相關腦電信號，利用基于層次交替最小二乘法(hierarchical alternating least squares, HALS)的非負CP張量分解算法，從采集的腦電中分離與音樂相關的張量成分。最后，對每個腦電張量成分進行比率功率譜分析和空間分布分析，從而了解不同意識水平對大腦加工音樂特征的影響。

1 腦電采集方法

1.1 實驗被試篩選

本研究的微意識狀態(tài)組和植物狀態(tài)組被試的腦電信號均采自于杭州明州腦康康復醫(yī)院和武警浙江省總隊杭州醫(yī)院。所有入選被試均無需插管由呼吸機輔助呼吸，無心肺復蘇史，無精神疾病史。此外，為了在研究期間保證被試意識狀態(tài)穩(wěn)定及腦電特征的一致性，選用處于微意識狀態(tài)或植物狀態(tài)一個月以上且處于慢性期的被試[14]。同時，剔除以下病例特征：存在中度及以上聽力損失患者、閉鎖綜合癥患者，以及患有可能導致腦神經病理性缺失疾病的患者。本研究的意識水平評估，采用國際對微意識狀態(tài)和植物狀態(tài)區(qū)分效果較好的CRS-R量表作為意識水平量化工具，篩選出其6項得分對應小于4-5-6-3-2-3的被試。被試為3組正常被試組、微意識狀態(tài)組、植物狀態(tài)組。正常被試組7人，年齡分布20～30歲。微意識狀態(tài)組17人，植物狀態(tài)組19人，年齡分布20～55歲。微意識狀態(tài)組、植物狀態(tài)組被試的詳細信息如表1所示。

表1 微意識狀態(tài)組和植物狀態(tài)組被試信息統(tǒng)計Tab.1 Information about MCS and VS participants

1.2 信號采集方案

實驗采用BioSemi公司生產的64導聯(lián)ActiveTwoSystem腦電采集儀器，采樣率為2 048 Hz。數據采集采用單極導聯(lián)方式，選用A1、A2作為參考電極。根據國際10/20標準導聯(lián)系統(tǒng)，將電極布置在被試頭皮表面，在電極和頭皮間注入導電凝膠，使電阻小于5 kΩ。

被試進入安靜狀態(tài)后，開始腦電采集實驗。首先采集被試在靜息態(tài)時的腦電信號60 s，然后采集被試處于音樂刺激狀態(tài)下的腦電信號120 s，最后再采集被試刺激后的靜息態(tài)信號60 s。本研究的刺激源選取了《茉莉花》的高潮副歌部分，時長為120 s，播放的聲級為70 dB。實驗中的被試是閉眼聽音樂，對于不能閉眼的意識障礙被試，用毛巾遮住他的眼睛。采集過程中，無噪聲和大功率用電設備干擾。被試呈靜臥姿勢，房間溫度控制在25℃。實驗的過程如圖1所示。

圖1 腦電信號采集流程Fig.1 Time-course of EEG acquisition.

1.3 腦電信號預處理

本研究在Matlab 2016a平臺上，利用EEGLAB version 13_5_4b對腦電信號進行分析。首先，對腦電進行去工頻濾波，根據我國電流頻率，設置去工頻50 Hz；其次，根據腦電的節(jié)律特點，將帶通濾波的截止頻率設為低通80 Hz、高通0.5 Hz。根據EEGLAB觀察濾波后的波形，剔除較大擾動和肌肉偽跡，從而得到降噪后的腦電信號。

降噪后，信號依然會存在偽跡，如眼電(electro-oculogram, EOG)等?；贛atlab 2016a，利用ICASSO工具箱做基于InfomaxICA的信號分解算法，對降噪后的腦電實施獨立成分分析(independent component analysis, ICA)，以去除偽跡。

2 音樂特征提取

利用Matlab2016a編譯環(huán)境，加載MIRToolbox Version1.7.1工具箱，提取刺激源《茉莉花》的5個音樂特征，包括fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode[13, 15]。首先采用移窗法，利用窗寬3 s，與前后窗重疊各2 s，從零秒開始對音樂取樣[16]；然后利用MIRToolbox，計算每個音樂片段的音樂特征(fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode)的值。

3 腦電特征提取

3.1 腦電信號三階張量計算

選用腦電信號的空間分布(channel)、時域(time)和頻域(frequency)，作為三階張量的特征。為獲取每個被試腦電信號各導聯(lián)的時頻域特征作為張量第三階分量，選用短時傅里葉變換對信號做時頻域分析[11]。利用漢明窗對各導聯(lián)腦電信號采樣，窗寬3 s，與前后窗重疊各2 s。由此生成每個腦電信號的三階張量大小為channel×frequency×time,其中channel=64,frequency=158,time=120-偽跡時間，偽跡時間為預處理時信號中因偽跡較大而被剔除部分的時長。

3.2 基于HALS的非負CP張量分解

提取信號高維張量成分的張量分解算法一般有兩種模式：canonical polyadic(CP)分解和tucker分解。CP分解是將一個給定的N階張量X分解為一系列秩一張量的和的過程。

根據階數不同，張量可以被劃分為一階向量、二階矩陣和三階及以上的高階張量。與矩陣分解類似，一個N階張量X可以分解為R個N階秩一張量的和[17]。每個秩一張量就是張量的一個成分。N階秩一張量等于N個正交單位向量的外積乘以能量系數。由此，得到一個N階張量X的CP分解如下：

(1)

式中，張量X為一個N階張量，λr為能量系數，ar1,ar2,…,arN為正交單位向量，符號°表示張量外積。

本研究選用非負CP張量分解，用來分解在本文第3.1節(jié)中獲得的三階張量。在此過程中，不斷趨近一系列最優(yōu)非負正交向量組合，使得剩余張量范數‖E‖2趨于零。剩余張量二范數‖E‖2的計算過程如下：

(2)

為了加快剩余張量二范數的收斂，減少對算力的依賴，本研究選用了由層次交替最小二乘法(hierarchical alternating least squares, HALS)優(yōu)化趨近過程的基于HALS的非負 CP張量分解[18]。

3.3 腦電張量成分提取與篩選

本文第3.2節(jié)介紹了選用的基于HALS的非負 CP張量分解算法。下面將利用該算法分解本文第3.1節(jié)中得到的每個被試的三階信號張量，以獲得腦電活動的成分。從信號張量提取出張量成分的個數，通過Smooth DIFFIT判斷得出[19]。

以上方法提取出的張量成分都含有3個分量，分別是空間分布系數、時域包絡及頻譜。根據張量成分的空間分布系數畫出腦地形圖，然后篩選出滿足dipolar形式的張量成分，即為腦電張量成分[10, 20]。然后將張量成分中的時域包絡分量依次與方法2中獲得的5種音樂時域特征值做Pearson相關系數分析，用Monte Carlo 法計算相關成立的相關系數閾值大小，選出與音樂特征相關的成分(P<0.05)，即為響應該音樂特征變化的腦電活動[8, 11, 13]。

3.4 比率功率譜分析與統(tǒng)計檢驗

在本文第3.3節(jié)中得到的腦電張量成分具有空間分布系數、時域包絡及頻譜3個分量，其中腦電張量成分的頻域分量體現了該成分的頻譜特性。根據頻域分量可計算其比率功率譜，即各節(jié)律的占比，用來分析不同意識水平被試的腦電信號對音樂特征的響應在節(jié)律上是否存在差異性。各個節(jié)律的比率功率譜計算如下：

(3)

式中,f1和f2分別為frequency band of interest的頻域下限與上限，即delta (1～4 Hz)、theta(4～8 Hz)、alpha (8～13 Hz) 和 beta (13～30 Hz)。

腦電張量成分的空間分布分量表征了該成分在腦區(qū)的分布，系數越高說明該采樣點離產生該腦電張量成分的源成分的距離越近，從而可通過腦地形圖判斷源成分發(fā)生的響應腦區(qū)位置。

為了驗證正常被試、微意識狀態(tài)組和植物狀態(tài)組之間的響應差異，使用SPSS v.20 (SPSS Inc., Chicago, IL) 軟件，對腦電張量成分的功率譜比率做ANOVA單因素檢驗和Scheffe事后檢驗，P<0. 05被認為統(tǒng)計上具有顯著差異。

最后比較與音樂特征不相關和相關的腦電張量成分在比率功率譜和響應腦區(qū)分布的差異，排除3組被試在功率譜和腦地形圖的差異與音樂感知無關，可能僅是本身意識水平的不同而引起的。

4 實驗結果

通過本文第3.2節(jié)中的張量分解算法和第3.3節(jié)中的張量成分篩選方法，從7例正常人組中篩選出18個成分，從17例微意識狀態(tài)組篩選出41個成分，從19例植物狀態(tài)組篩選出32個成分，結果如表2所示。

表2 不同意識水平組的腦電與5種音樂特征相關張量成分個數統(tǒng)計Tab.2 Statistics on the number of EEG tensor components correlated with five musical features among different consciousness level groups

4.1 與音樂特征相關的腦電張量成分的比率功率譜分析與統(tǒng)計檢驗

按本文第3.4節(jié)的方法，對所有音樂特征相關的腦電張量成分做比率功率譜分析。表3～7分別為與fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode音樂特征相關的腦電張量成分的比率功率譜分析結果。

表3為與音樂特征fluctuation centroid相關的腦電張量成分比率功率譜的平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計差異(alpha波：F(2,21)=104.838,P<0.001；beta波：F(2,21)=10.418,P=0.001)。正常人組腦電張量成分的alpha波占比高于微意識狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分在各節(jié)律波段占比沒有差異。

表3 與音樂特征fluctuation centroid相關的腦電張量成分比率功率譜平均值Tab.3 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature fluctuation centroid

表4為與音樂特征fluctuation entropy相關的腦電張量成分比率功率譜的平均值。由于正常人組和植物狀態(tài)組與fluctuation entropy相關的腦電張量成分各只有兩個，所以不對其做獨立樣本統(tǒng)計分析。但是可以觀察發(fā)現，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，微意識狀態(tài)組和植物狀態(tài)組的腦電張量成分相反。正常人組腦電張量成分的alpha波占比高于微意識狀態(tài)組和植物狀態(tài)組的alpha波占比，微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分在各節(jié)律波段占比沒有差異。

表4 與音樂特征fluctuation entropy相關的腦電張量成分比率功率譜平均值Tab.4 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature fluctuation entropy

表5為與音樂特征key clarity相關的腦電張量成分比率功率譜的平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計差異(alpha波：F(2,18)=27.349,P<0.001；beta波：F(2,18)=6.758,P=0.006)。正常人組腦電張量成分的alpha波占比高于微意識狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識狀態(tài)組(P=0.010) 和植物狀態(tài)組(P=0.022)，微意識狀態(tài)組和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒有差異。

表5 與音樂特征key clarity相關的腦電張量成分比率功率譜平均值Tab.5 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature key clarity

表6為與音樂特征pulse clarity相關的腦電張量成分比率功率譜的平均值。其中，常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計差異(alpha波：F(2,21)=27.349,P<0.001；beta波：F(2,18)=6.758,P=0.006)。正常人組腦電張量成分的alpha波占比高于微意識狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識狀態(tài)組(P=0.01)和植物狀態(tài)組(P=0.022)，微意識狀態(tài)組和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒有差異。

表6 與音樂特征pulse clarity相關的腦電張量成分比率功率譜平均值Tab.6 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature pulse clarity

表7為與音樂特征mode相關的腦電張量成分比率功率譜平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分的theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比存在統(tǒng)計差異(alpha波：F(2,6)=5.79,P=0.040)。微意識狀態(tài)組的腦電張量成分和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒有差異。

表7 與音樂特征mode相關的腦電張量成分比率功率譜平均值Tab.7 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature mode

4.2 與音樂特征相關的腦電張量成分的響應腦區(qū)分布統(tǒng)計與分析

根據本文第3.3節(jié)中得到的腦電張量的空間分布系數分量，可畫出腦地形圖，并判斷該腦電張量成分的響應腦區(qū)。表8～10分別為正常人組、微意識狀態(tài)組和植物狀態(tài)組與音樂特征相關的腦電張量成分在腦區(qū)的分布統(tǒng)計。正常人組的腦電張量成分除2個位于顳葉，其余16個都分布于前額葉；微意識狀態(tài)組的腦電張量只有6個分布于前額葉，其余的主要位于顳葉；植物狀態(tài)組的腦電張量成分只有1個分布于前額葉，其余的主要分布于顳葉。如圖2所示，從左到右分別為正常人組響應腦區(qū)是前額葉的腦電張量成分的腦地形圖、微意識狀態(tài)組響應腦區(qū)是顳葉的腦電張量成分的腦地形圖和植物狀態(tài)組響應腦區(qū)是顳葉的腦電張量成分的腦地形圖。

多種抗心律失常藥物及電復律治療對左前分支室速效果欠佳，射頻消融治療是唯一根治性方法[7]。部分患者長時間心動過速可出現臨床癥狀，甚至可誘發(fā)心動過速性心肌病[8]。尤其對于兒童患者，由于年齡小、體質量也小，射頻消融風險相應升高[9-10]，在選擇射頻消融根治術前，食管調搏作為一種無創(chuàng)的電生理檢查方法，對于特發(fā)性室速的鑒別與心動過速的終止均有重要的意義，因此，食管調搏可作為緊急終止分支型室速的方式之一。

圖2 三組被試的腦電信號與音樂特征相關的張量成分腦地形圖。(a)正常人組；(b)微意識狀態(tài)組；(c)植物狀態(tài)組Fig.2 Spatial component of EEG tensor components correlated with musical feature. (a) Normal group; (b) MCS group; (c) VS group

表8 正常人組與音樂特征相關的腦電張量成分響應腦區(qū)分布統(tǒng)計Tab.8 The number of location of EEG tensor components correlated with musical feature in normal group

4.3 與音樂特征不相關的腦電張量成分的比率功率譜和響應腦區(qū)分布統(tǒng)計與分析

本節(jié)把3組被試腦電中與音樂特征不相關的腦電張量成分進行比率功率譜和響應腦區(qū)分布統(tǒng)計，以排除3組被試的功率譜和腦地形圖只是由本身意識水平的不同引起而與音樂感知無關的可能性。正常人組145個腦電張量成分，微意識狀態(tài)組202個腦電張量成分，植物狀態(tài)組307個腦電張量成分。

表9 微意識狀態(tài)組與音樂特征相關的腦電張量成分響應腦區(qū)分布統(tǒng)計Tab.9 The number of location of EEG tensor components correlated with musical feature in MCS group

表10 植物狀態(tài)組與音樂特征相關的腦電張量成分響應腦區(qū)分布統(tǒng)計Tab.10 The number of location of EEG tensor components correlated with musical feature in VS group

表11為3組被試與音樂特征不相關的腦電張量成分比率功率譜平均值。delta波占比：植物狀態(tài)組(0.629±0.372)，高于微意識狀態(tài)組(0.436±0.385)，高于正常人組(0.183±0.265)(F(2,640)=77.179,P<0.001)；theta波占比：微意識狀態(tài)組(0.240±0.298)和植物狀態(tài)組(0.213±0.293)高于正常人組(0.124±0.157)(F(2,640)=8.494,P<0.001)；alpha波占比：正常人組(0.483±0.320)高于微意識狀態(tài)組(0.081±0.121)和植物狀態(tài)組(0.056±0.092)(F(2,640)=308.538,P<0.001)；beta波占比：正常人組(0.159±0.105)高于微意識狀態(tài)組(0.025±0.021)和植物狀態(tài)組(0.029±0.036)(F(2,640)=299.129,P<0.001)。

表11 與音樂特征不相關的腦電張量成分比率功率譜平均值Tab.11 The mean value of the power spectrum ratio of EEG tensor components not correlated with the music feature

表12為3組被試與音樂特征不相關的腦電張量成分的比率功率譜和響應腦區(qū)分布。正常人組145個腦電張量成分中，有97個的響應腦區(qū)位于前額葉；微意識狀態(tài)組202個腦電張量成分中有44個的響應腦區(qū)位于前額葉，植物狀態(tài)組307個腦電張量成分中有51個的相應區(qū)域位于前額葉。

表12 與音樂特征不相關的腦電張量成分響應腦區(qū)分布統(tǒng)計Tab.12 The number of location of EEG tensor components not correlated with musical feature

將本文第4.3節(jié)中與音樂特征不相關的腦電張量成分的比率功率譜與響應腦區(qū)，和第4.2節(jié)中與音樂特征相關的腦電張量成分的比率功率譜與響應腦區(qū)相比較。首先，微意識狀態(tài)組中與音樂特征相關的腦電張量成分的delta波占比和植物狀態(tài)組沒有差別，而微意識狀態(tài)組中與音樂特征不相關的腦電張量成分delta波占比低于植物狀態(tài)組的占比；其次，正常組與音樂特征相關的腦電張量成分的theta波占比低于微意識狀態(tài)組與植物狀態(tài)組的占比，而正常組與音樂特征不相關的腦電張量成分theta波占比和微意識狀態(tài)組與植物狀態(tài)組存在差別；最后，微意識狀態(tài)組和植物狀態(tài)組的與音樂特征不相關的腦電張量成分的響應腦區(qū)位于前額葉比例高于與音樂特征相關的腦電張量成分，而正常人組與音樂的時域特征相關的腦電張量成分的響應腦區(qū)位于前額葉比例高于與音樂的時域特征不相關的腦電張量成分。

因此，對比與音樂時域特征不相關和相關的腦電張量成分可知，這兩組成分的響應腦區(qū)分布和功率譜在3組被試間的統(tǒng)計結果是存在差異的?；诖?，根據實驗結果得出結論，3組被試在功率譜和腦地形圖的差異與音樂感知是有關的，并不僅僅是本身意識水平的不同而引起的。

5 討論

首先，本研究對不同意識水平的被試在音樂刺激下產生的腦電信號做降噪和去偽跡預處理，然后，基于HALS的非負 CP張量分解，對處理后的信號做張量分解，獲得腦電的張量成分。將這些張量成分的時域分量分別與5種音樂特征(fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode)做相關分析，提取出與音樂特征相關的腦電張量成分，分析功率譜和響應腦區(qū)分布，最后探究不同意識水平對音樂特征加工的差異。

由3組被試腦電中與音樂特征相關的腦電張量成分的功率譜和響應腦區(qū)分布的統(tǒng)計結果可知，被試在音樂刺激下的腦活動在節(jié)律和腦響應區(qū)域存在差異。在節(jié)律方面，通過對張量分解得到的成分做比率功率譜分析發(fā)現：除特征mode外，正常意識狀態(tài)的響應腦電張量成分alpha波和beta波的占比均高于微意識狀態(tài)和植物狀態(tài)。微意識狀態(tài)和植物狀態(tài)之間的各節(jié)律占比沒有明顯差異。正常意識狀態(tài)的響應腦電張量成分的alpha波和beta波的占比均高于delta波和theta波，而微意識狀態(tài)和植物狀態(tài)則是delta波和theta波占比高于alpha波和beta波?；谝酝鶎δX電節(jié)律的研究，注意力集中(attention)和高強度認知活動(cognition)會引起beta波的出現[21]，并且本研究發(fā)現，微意識狀態(tài)和植物狀態(tài)腦電中與音樂特征相關的腦電張量成分中beta節(jié)律明顯少于正常意識狀態(tài)組，可以推測這兩組意識狀態(tài)對音樂特征的感知和注意力更弱。

在響應腦區(qū)方面，正常意識狀態(tài)時的響應腦區(qū)主要集中在前額葉，而意識降為微意識狀態(tài)和植物狀態(tài)時，響應主要發(fā)生于顳葉。這意味著隨著意識水平降低，前額葉響應下降，而顳葉基本保持，佐證了前額葉對意識的重要性。針對音樂加工的腦機制，Koelsch等[1]提出了層級音樂加工模型。賴寒等[22]結合該模型，對大腦對音樂旋律更精細加工的第3階段音程分析和第4階段結構分析的神經活動做元分析，發(fā)現第3階段音程分析激活的主要區(qū)域為雙側顳上回，而第4階段結構分析激活的主要區(qū)域為前額葉，包括額下回、額中回和額極。根據這個理論，可推斷正常意識狀態(tài)對音樂進行的第4階段結構加工并沒有發(fā)生在微意識狀態(tài)和植物狀態(tài)中，因為處于音樂加工第四階段的結構加工的激活區(qū)域主要在前額葉，但是微意識狀態(tài)和植物狀態(tài)被試的前額葉并沒有被激活[22]。

其次，本研究對比正常意識狀態(tài)、微意識狀態(tài)和植物狀態(tài)發(fā)生于顳葉的成分的頻域特征，發(fā)現3組被試的響應音樂特征的腦電張量成分在節(jié)律上分布不同。正常意識狀態(tài)被試對音樂特征響應的腦電張量成分的alpha波和beta波依然高于delta波和theta波，而微意識狀態(tài)和植物狀態(tài)對音樂特征響應的腦電張量成分以theta波和delta波為主。這說明，隨著意識水平的降低，顳葉對音樂特征的響應產生的腦電節(jié)律也會降低。

6 結論

研究發(fā)現，正常被試、微意識狀態(tài)被試和植物狀態(tài)被試對音樂特征的響應在節(jié)律和響應區(qū)域存在差異。在腦激活區(qū)域分布上，正常被試對音樂特征的響應主要集中在前額葉，而微意識狀態(tài)被試和植物狀態(tài)被試對音樂的響應集中在顳葉。在節(jié)律分布上，正常被試對音樂特征的腦電響應頻率集中在alpha和beta波段，微意識狀態(tài)被試和植物狀態(tài)被試對音樂特征的腦電響應頻率集中在theta和delta波段。

附錄：音樂特征

5個音樂特征Fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和mode是由Alluri等在2012年提出的[13]，其中前3個反映音樂的節(jié)奏特征(rhythmic feature)，后2個反映音樂的音域特征(tonal feature)。

這5個音樂特征的物理意義如下：fluctuation centroid是波動頻譜的幾何平均數，用來計算音樂0～10 Hz內的平均頻率；fluctuation entropy是波動頻譜的香農熵，用來表征波動頻譜的混亂度，值越大包含的旋律越多；pulse clarity用來衡量旋律的清晰度，表明重音能量的大小；key clarity用來衡量音階的清晰度；mode用來表示大調或小調的主導率。