抑郁癥靜息腦電的小波包節點功率譜熵分析*

蓋淑萍， 劉欣陽， 劉軍濤， 孔 壯， 徐聲偉， 蔡新霞

(1.中國科學院 電子學研究所 傳感技術國家重點實驗室(北方基地)，北京 100190；2.中國科學院大學，北京 100190)

研究與探討

抑郁癥靜息腦電的小波包節點功率譜熵分析*

蓋淑萍1,2， 劉欣陽1,2， 劉軍濤1,2， 孔 壯1,2， 徐聲偉1,2， 蔡新霞1,2

(1.中國科學院 電子學研究所 傳感技術國家重點實驗室(北方基地)，北京 100190；2.中國科學院大學，北京 100190)

頭皮腦電(EEG)信號反映了大腦皮層神經元細胞群自發性節律性的電生理活動，含有豐富的生理與病理信息，是臨床腦神經與精神疾病診斷的重要依據。針對抑郁癥的研究和診斷中缺少客觀有效的量化參數和指標的狀況, 提出一種基于小波包分解節點重構信號的功率譜熵值(記為W值)的腦電信號分析方法，并利用此方法對靜息態的腦電信號進行計算和分析。實驗和分析結果表明: 抑郁癥患者腦電信號S32節點(頻率24～32 Hz)的熵值(置信區間[0.012 9,0.017 6])在部分腦區顯著大于正常健康人(置信區間[0.024 6,0.030 3])，顯示抑郁癥病人快波節律的能量分布存在彌散性，符合現在關于抑郁癥患者自我調節能力減弱的發病機制。對結果進行了T檢驗統計分析，證明了這種辨別方法的準確性和可行性，將為抑郁癥疾病檢測診斷提供有效的量化物理指標。

腦電; 小波包變換; 功率譜熵; 抑郁癥; T檢驗

0 引 言

近年來，采用非線性動力學方法分析腦電(electroencephalography,EEG)信號, 給抑郁癥的研究和診斷帶來了新的研究思路和方法[1]。Ahmadlou M等人發現抑郁癥患者β頻段(15～30)整個額區(fractal dimension,FD)值均顯著大于正常人[2]。通過計算腦電時間序列的熵值來衡量其復雜度的方法,反映了信號的不確定性和復雜程度[3]。然而傳統的熵值計算方法(近似熵、小波熵)，往往僅能考察整個序列或其譜能量分布的有序或無序程度，而欠缺對腦電信號某個特殊頻段局部分布規律的詳細研究。

小波包變換(wavelet packet transform,WPT)是在小波變換原理上推廣而來的多尺度信號分析方法[4]，已在故障診斷、肺音識別等方面得到了廣泛的應用[5]。

本文引入一種分析腦電時間序列的新方法—小波包節點功率譜熵，運用該方法分別對抑郁癥患者及正常對照組的腦電信號進行計算、處理和統計檢驗,并對實驗結果進行了比較、分析和討論，試圖為抑郁癥的病理診斷和療效評估提供一種新的參考依據。

1 小波包節點功率譜熵的定義

小波包的基本思想是對多分辨率分析中的小波子空間進行分解[6]。3層小波包分解樹，如圖1所示。

圖1 小波包分解樹

對EEG信號f(t)進行小波包分解,提取小波包系數后，分別利用各系數進行小波包重構。f(t)經過小波包分解后，在第i分解層能夠得到2i個子頻帶，所以，f(t)可以表示為

j=0,1,2,…,2i-1

(1)

式中 fi,j(ti,j)為小波包分解在第(i,j)層節點上的重構信號。

對長為L的子空間重構信號x(n)進行功率譜計算

(2)

(3)

式中 P(k)為信號的功率譜序列；XL(fk)為信號的離散傅里葉變換(DFT)；fs為信號的采樣頻率。

熵定義為新信息的產生率，樣本熵是由Richman提出的一種序列復雜性測度方法，參考樣本熵的計算方法，將功率譜熵定義如下:

設功率譜序列為p(1), p(2),…, p(N),共N點。

1)按序號順序連續成m維矢量

P(i)=[p(i),p(i+1),…,p(i+m-1) ],

i=1～N-m+1

(4)

2)定義P(i)與P(j)之間的距離d[P(i),P(j)]為兩者對應元素中差值最大的一個。即

(5)

此時P(i)與P(j)中其他對應元素間差值自然都小于d[P(i),P(j)]，并對每一個i值計算P(i)與其余矢量P(j),(j=1,2,…,N-m+1)的距離d[P(i),P(j)]。

(6)

(7)

5)功率譜序列的熵值為

En(m,r,N)=-ln[Bm+1(r)/Bm(r)]

(8)

式中 En(m,r,N)的值與參數m,r和N的取值有關，一般取m=1或2, r=0.1SD～0.25SD(SD是原始數據x(i)的標準偏差)時計算得到的功率譜熵值具有較為合理的統計特性，在本研究中選取參數m=2, r=0.2SD。

2 基于小波包節點功率譜熵的抑郁癥診斷分析

2.1 研究對象

本實驗的健康人和抑郁癥患者志愿者由中國人民解放軍海軍總醫院提供，相應研究通過了倫理審查。本次實驗抑郁志愿者符合規定的入組標準，符合美國精神障礙診斷與統計手冊第4版(diagnosticandstatisticalmanualofmentaldisorders,fourthedition,DSM-IV)診斷標準[7]，被試者均為右利手。本研究分別采集了22位健康志愿者和22位抑郁癥患者志愿者的腦電數據，男女各11名，年齡在20～55歲。

2.2 實驗數據采集

利用NuAmps放大器(NeuroScan,USA)腦電測試儀，交流采樣模式，采樣頻率為1kHz，分別對包括額葉、頂葉、顳葉、枕葉區域在內的19個位點Fp1,Fp2,F7,F3,Fz,F4,F8,T3,C3,Cz,C4,T4,T5,P3,Pz,P4,T6,O1,O2進行了EEG信號檢測，位點選擇符合腦電10～20系統(Jesper,1958)檢測標準[8]，測試腦電位點示意圖如圖2所示。測試中，選擇兩側乳突(A1和A2)的電壓平均值作為參考，同時采集了垂直眼電和水平眼電，以排除眼電對腦電采集的影響。測試環境選擇避光安靜的房間，被試者靜坐，閉眼放松。采集被試者靜息狀態10minEEG信號，選取20 000長度數據進行分析，采用Matlab軟件進行分析。

圖2 腦電測試位點

2.3 分析方法

利用Curry 7軟件去除采集得原始腦電信號中的眼電和壞區，進行 0.5～50 Hz的濾波處理，128 Hz降采樣后得到腦電信號S。根據小波包分解算法，采用二進尺度變換，利用離散db4小波對S進行3層小波包分解，對各節點重構后做功率譜計算，得到各節點功率譜序列后，求各節點功率譜熵，得到W值，以考察腦電信號各頻段功率值的分布規律，算法流程圖如圖3所示。

圖3 腦電信號處理方法流程圖

表1 各節點重構信號對應頻率范圍

根據頭皮腦電的頻段特征，腦電信號的頻率主要集中在在0.5～30 Hz，可以看出S30,S31,S32和S33節點頻譜位于0～32 Hz，涵蓋了頭皮腦電的頻率范圍，因此,可以分析這4個節點的小波包重構信號來研究各頻率波段的功率譜熵特征。

3 實驗結果與分析

3.1 兩組被試不同頻段W平均值對比分析

對抑郁癥患者組和健康人對照組的實驗數據進行分析。首先根據本文提出的方法計算每位被試者各個位點的值，然后計算22位被試者各位點S30，S31，S32和S33節點W值的平均值，得出各位點兩組樣本數據W值的差異。通過實驗分析Fp1, Fp2, F3, F4, P3, P4位點的結果差異性最明顯，因此,本文僅對這6個位點的分析結果進行詳細討論，分析結果如圖4所示。

圖4 小波包分解節點S30,S31,S32和S33功率譜熵的均值

3.2 兩組被試各位點S32頻段W值對比分析

通過分析圖4，可以得知兩組被試者的各位點的S32頻段均有明顯差異，本文進一步對Fp1, Fp2, F3, F4, P3, P4位點的各個被試者S32頻段的W值進行了對比分析，如圖5所示。分析圖5中6通道腦電值與被試者腦功能整體狀態的關系，可知抑郁癥患者的W值明顯高于正常人。

圖5 健康人和抑郁癥患者被試者S32節點W值的比較

3.3 統計分析與假設檢驗

對兩組被試上述差異的顯著性作統計檢驗，以驗證算法的準確性和可行性。采用SPSS統計軟件對結果進行T檢驗。主要方法如下：

1)分別將抑郁癥患者和健康人對照組6個位點S32頻段W值進行單樣本T檢驗。以Fp1位點舉例說明，結果如表2所示。

抑郁癥患者組W值在顯著性水平α取 0.01時的置信區間為[0.024 6,0.030 3]，即將[0.024 6,0.030 3]作為郁癥患者組W值判斷區間時，誤判概率小于0.01，Fp2，F3，F4，P3，P4位點單樣本T檢驗得到的結果與Fp1一致。表明兩組被試的靜息態腦電信號確實存在差異，這種差異可以通過這6個位點S32節點的W值準確地進行分析和判斷。

2)同樣對抑郁癥病人和健康人對照組Fp1位點W值的差異顯著性進行假設檢驗，使用SPSS統計軟件進行獨立樣本T檢驗，結果如表3所示。分析表3可以得到結論：在分別假設這兩組腦電信號的值方差相等和不等兩種情況下, 其差異顯著性基本相同，均值差值均為0.012。這兩組腦電信號W值差值在顯著性水平α取0.01時，置信區間為[0.008 7,0.015 8]，這表明抑郁癥患者Fp1位點S32頻段的W值顯著大于健康對照組，Fp2，F3，F4，P3，P4位點得到的結果一致。這說明該分析方法可以有效地區分抑郁癥患者和健康人的腦電信號，從而為抑郁癥的臨床診斷提供量化的可靠依據。

表2 單樣本T檢驗分析結果

表3 獨立樣本T檢驗分析結果

3.4 結果討論

實驗和分析結果表明, 抑郁癥患者Fp1，Fp2，F3，F4，P3，P4 位點靜息態腦電信號小波包分解后S32節點的功率譜熵值顯著大于健康對照組。熵值越大，表明信號的能量分布復雜度越高、越不規律。從神經科學知識可知，S32節點的頻段包含在腦電節律β2(18～32 Hz) 中,而β2高頻快波作為大腦皮層興奮時的主要波形，其能量分布復雜度體現了大腦活動的規律程度。抑郁組S32頻段W值大，表明其功率彌散性增加，說明安靜閉目狀態下抑郁癥患者的腦電活動不如健康組規律，這也證明本文提出的小波包節點功率譜熵值可以作為衡量大腦自我調控能力的物理指標。

4 結 論

利用本文方法對抑郁癥患者和健康人的腦電信號進行了計算、分析和討論。得出抑郁癥患者Fp1，Fp2，F3，F4，P3，P4位點的腦電信號小波包分解后S32節點功率譜熵值和健康人存在顯著差異，抑郁癥患者明顯大于健康人。對這一結果進行抽象分析，抑郁癥病人β2節律的功率分布存在彌散性，說明神經遞質分泌變化，或是神經信號傳播的改變，腦細胞彼此溝通能力失調，引起腦神經電生理信號出現異常，安靜閉目狀態下抑郁癥患者的β2節律腦電不如健康組規律，精神受壓程度降低，從而引發抑郁癥。這也符合現在普遍認同的抑郁癥發病機制，證明了這種方法的準確性和可行性，能夠為抑郁癥疾病診斷提供有效的量化物理指標作為參考。

[1] 瞿 祥,王藝明.腦電非線性動力學分析在抑郁癥中的應用及抗抑郁藥的療效觀察[J].中國醫藥導報,2012,34(9):52-54,57.

[2] Ahmadlou M,Adeli H,Adeli A.Fractality analysis of frontal brain in major depressive disorder[J].International Journal of Psychophysiology Official Journal of the International Organization of Psychophysiology,2012,85(2):206-211.

[3] 王春方,張力新,張 希,等.抑郁癥自發腦電信號特異性研究進展[J].中國生物醫學工程學報,2014(1):86-92.

[4] Behshad H,Mohammad Hassan M,Reza R.Classifying depression patients and normal subjects using machine learning techniques and nonlinear features from EEG signal[J].Computer Methods & Programs in Biomedicine,2013,109(3):339-345.

[5] Papadimitriou S,Gatzounas D,Papadopoulos V,et al.Denoising of the fetal heart rate signal with non-linear filtering of the wavelet transform maxima[J].International Journal of Medical Informa-tics,1997,44(3):177-192.

[6] 薛纏明,李麗宏.小波分析在激光測距傳感器中的應用[J].傳感器與微系統,2015,34(6):151-152,160.

[7] Mendelson G.Diagnostic and statistical manual of mental disorder-s[J].Australian & New Zealand Journal of Psychiatry,2009,29(3):529-35.

[8] Jasper H H.The ten twenty electrode system of the international federation[J].Electroencephalography & Clinical Neurophysiology,1958,10:371-375.

[9] Hu A,Yan X,Xiang L.A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension[J].Renewable Energy,2015,83:767-768.

Feature analysis of EEG of depression based on wavelet packet node power spectral entropy*

GAI Shu-ping1,2, LIU Xin-yang1,2, LIU Jun-tao1, KONG Zhuang1,2, XU Sheng-wei1,2, CAI Xin-xia1,2

(1．State Key Laboratory of Transducer Technology,Institute of Electronics,Chinese Academy of Sciences,Beijing 100190,China； 2.University of Chinese Academy of Sciences,Beijing 10090,China)

Scalp electroencephalography(EEG)signals reflects the spontaneous rhythmic electrical physiological activities of cerebral cortex neurons,which are rich in physiological and pathological information,and important for clinical neurological and mental disease diagnosis.Aiming at condition that the depression study and diagnosis are lack of deffective quantitative parameters and quantitative indicators,present a new EEG signal analysis method based on wavelet packet decomposition,power spectrum entropy,calculate the power spectral entropy value,Wvalue of node reconstruction signal power spectrum.Apply this method to calculate and analyze the resting EEG signals.The results show that theWvalue of S32 wavelet packet node with frequency range of 24～32 Hz with depression patients are significantly larger than normal healthy people in some brain areas.It indicates that the distribution of fast EEG rhythm wave energy is more complicated and dispersive in depression patients,confirming to the pathogenesis about weak self-regulated behavior about depression patients.T-test statistical analysis is performed to prove the feasibility and accuracy of this method,provide an objective and effective quantitative physical feature indicator for depression disease diagnosis.

electroencephalography(EEG); wavelet packet transform(WPT); power spectral entropy; depression; T-test

10.13873/J.1000—9787(2017)03—0006—04

2016—04—06

國家重點基礎研究發展計劃資助項目 (2014CB744600)；國家自然科學基金資助項目(61527815,31500800,61501426,61471342)；北京市科技計劃資助項目(Z141100003414015,Z141100000214002)；中科院重點部署項目(KJZD—EW—L11—2)

TP 212.3; TH 703.1

A

1000—9787(2017)03—0006—04

蓋淑萍(1987-)，女，博士研究生，主要研究方向為多通路人體電生理信號檢測系統研制和生物信息檢測儀器。

蔡新霞(1966-)，通訊作者，研究員，主要從事生物傳感器及檢測微系統的應用基礎研究工作，E-mail:xxcai@mail.ie.ac.cn。