一种基于脑部电信号构建疼痛状态预测模型的方法与流程

本发明涉及生理信号处理和建模技术领域，具体而言，涉及一种基于脑部电信号构建疼痛状态预测模型的方法。

背景技术：

神经病理性疼痛是由躯体感觉神经系统损伤或者疾病导致的疼痛，并且这种疾病常常是药物难治性的。神经病理性疼痛长期影响着全世界6％-8％人的身体和心理健康，使他们的生活质量严重受损。临床上在对这种疾病的诊断和治疗时，医生通常只能依靠患者的自我症状描述进行判断，但患者往往无法用言语正确的对其疼痛感受进行客观而准确的描述。如不能准确的说明疼痛的位置和疼痛的类型，同时会夸大或者隐瞒疼痛的真实程度。对患者状态及变化程度的准确评估，对于临床诊断、治疗与康复指导均具有重要的研究价值，可为机体生理机制研究、治疗理论发展、新神经调控技术研发提供理论和技术基础。

通常临床上使用的主观评估方法包括疼痛自评和其他疼痛问卷和面部表情等，客观的检测方法包括一些生理学指标的测量，诸如脑电信号、肌电信号、心电信号、血压、核磁共振等。这些主观或者客观的评估方法，为临床疾病的诊疗提供了辅助参考，但是都存在一定的缺陷，如主观的评估方法，主观意识较强，评估时需要有经验的医师或者需要患者能够提供主观感觉；而客观的评估方法虽然提供了精确的生理状态数据，但一般只能给出患者状态处于某个阶段的简单分析结果，无法提供具体且准确的状态或程度的量级，且多为单一指标评价，不够全面客观。

实验证明人体的脑部电信号能够反应生理和病理功能，其中许多指标与神经病理性疼痛密切相关，有希望能够用于疼痛治疗效果的评估。但由于脑部电信号的活动具有复杂性的特点，例如脑部电信号中多个神经活动同时参与了疼痛的感受与治疗，且他们之间形成了较为复杂的关系网，因此对脑部电信号多维神经行为的同时度量可以更全面地表征大脑功能状态。

技术实现要素：

针对上述技术问题，本发明的目的在于提供一种基于脑部电信号构建疼痛状态预测模型的方法。本发明从多维角度全面表征量化脑部电活动，将主观的评估和客观的检测手段结合起来，并且将检测出的多个生物标记进行融合，建立患者状态或变化程度的定量预测模型，该模型能用于实现或者疼痛状态的准确判断。

脑部电信号可包括头皮脑电(eeg)、皮层脑电(ecog)、局部场电位(lfp)等。

将脑部电活动的多维神经行为其分为三个维度：时间域，频率域和小波域，并选择合适的分析方法来对各个维度上的信号活动特征进行量化。脑部电信号的多维神经行为会同时存在，且在这些维度上会包含许多特征可与患者的状态相关联。比如，但不限于，属于时间域信号在时间上活动幅度的变化与患者具体的疼痛程度相关联，属于频率域的特定频带间的幅度比值与特定的疾病相关，属于小波域的频带间交叉频率耦合强度可指示特定的脑功能状态。在一个示例中，对脑部电信号多维神经行为的同时度量来区分不同的疾病类型状态，展示了此方法在脑部电信号研究中的应用，表明脑部电信号多维神经行为量化方法在脑功能研究中的可行性。本发明的技术方案具体介绍如下。

一种基于脑部电信号构建疼痛状态预测模型的方法，具体步骤如下：

1)对脑部电信号进行预处理，去除质量不佳的信号和信号中的噪声；

2)从时间域、频率域和小波域三个维度提取特征对脑部电活动进行表征；

3)按照与疼痛状态的相关性，在时间域和小波域上筛选脑部电活动特征；在频率域上使用主成分分析法pca根据贡献率获得表征各特征组的关键成分进而筛选脑部电活动特征；4)将从时间域、频率域和小波域三个维度筛选出的特征作为自变量，疼痛缓解程度作为因变量，通过回归分析分别建立状态预测模型；

5)将不同维度上的状态预测结果作为自变量，患者的临床主观评估结果作为因变量，利用多元回归分析建立整合性的疼痛状态预测模型。

优选的，步骤1)中，预处理包括去50hz工频干扰和基线漂移，对信号质量不佳者应剔除重新进行记录。

优选的，步骤1)中，预处理还包括对去除噪声的信号进行归一化处理，去掉因个体差异导致模型评估的不准确性。

优选的，步骤2)中，时间域提取的特征包括信号幅值的平均值、标准差以及信息熵；在提取特征前对信号进行标准化处理，具体方法为将各采样点的信号值除以幅值的最大值。

优选的，步骤2)中，频率域提取的特征为傅里叶变换之后功率谱密度在不同频率段上积分的功率值以及不同频带间功率的比值；在提取特征前对信号进行标准化处理，具体方法为将每个频率点上的功率谱密度值除以2-90hz频率段功率谱密度的积分。

优选的，步骤2)中，小波域提取的特征为delta、theta、alpha、low-beta、high-beta、low-gamma和high-gamma频段的同步化状态存在时间的百分比和这7个频率段同步化水平的二值化编码组成的4种状态00、01、10、11出现时间占总时间的百分比。

优选的，步骤3)中，在时间域和小波域上，选择与疼痛状态显著性小于0.05或0.01的特征；在频率域上根据贡献率最大的1-3个主成分选择特征。

优选的，步骤5)中，疼痛状态预测模型每完成一次预测，就将当前的数据纳入其中用以修正模型参数。

和现有技术相比，本发明的有益效果在于：

本发明从多维角度全面表征量化脑部电活动，将主观的评估和客观的检测手段结合起来，并且将多个生物标记从单一的脑部电活动中分离出来又进行融合，实现状态的准确判断，建立患者状态或变化程度的定量预测模型。通过本发明的模型可对疼痛状态进行有效预测。

附图说明

图1是构建基于脑部电信号疼痛状态(疼痛患者的疼痛缓解程度)预测模型的示例流程示意图。

图2是使用功率谱分析对神经病理性疼痛患者脑部内所记录的电信号(即lfp)的频率点的功率和频率带之间功率的比值的计算结果示例图。

图3是频率域特征与患者疼痛缓解程度进行相关分析得到的相关系数结果图，并且示出了识别出的与疼痛患者程度相关的特征。

图4是在疼痛患者数据中得到的预测模型性能比较及验证结果示例图。

具体实施方式

下面结合附图对本发明做进一步详细说明，以令本领域技术人员参照说明书文字能够据以实施。

实施例1

一种基于脑部电信号构建疼痛状态预测模型的方法，其流程图如图1所示，包括：

1)记录患者一定时长的脑部电信号，信号可以是头皮电极记录到的头皮脑电(eeg)，由置于颅骨下接触大脑皮层的皮层脑电图(ecog)信号或者是由植入到与疼痛相关的深部核团的场电位信号(lfps)。记录时间不少于180s。同时还需要记录由临床医护人员对疼痛患者进行状态的评估结果。常见的评估量表为疼痛模拟视觉量表(vas)。

2)对记录到的脑部电活动进行预处理，首先在原始数据中截取一段较平稳没有奇异值的50s数据。然后利用切比雪夫ii型滤波器进行2-90hz的通带滤波，并使用该滤波器去掉50hz的工频干扰。最后对信号进行标准化处理，对不同维度特征的提取有所不同，具体的请参见以下内容。

3)从时间域、频率域和小波域三个维度提取特征对脑部活动进行表征。

其中时间域提取的特征包括信号幅值的平均值、标准差以及信息熵。在提取特征前对信号进行标准化处理。具体方法为将各采样点的信号值除以幅值的最大值。

其中频率域特征为傅里叶变换之后对功率谱密度在不同频率段上积分的功率值以及不同频带间功率的比值。功率谱密度在某一频率区间的积分表征该频率段信号的活动程度，不同频率段之间活动程度的比值也作为脑部活动的特征。并且为了消除患者信号间的个体差异性，对每位患者的功率谱进行标准化处理，处理方法是将每个频率点上的功率谱密度值除以2-90hz频率段功率谱密度的积分；不同频带间功率的比值指计算不同频带信号的幅度值之间的比值，为了寻找恰当的频率组合，本实施例中，采用遍历频率组合的方法，考虑到普遍采用的节律频带一般为4hz或者其倍数，因此分析采用4hz的频带0.5hz的步长来遍历频率组合。

其中小波域特征采用申请人专利201610487800.x中设计的方法共对7个频段的信号进行了同步化状态判别。这些频段分别是delta(3-6hz)，theta(6-9hz)，alpha(9-12hz)，low-beta(12-24hz),high-beta(24-36hz),low-gamma(36-60hz),high-gamma(60-90hz)。并将7个频率段信号两两组合得到20中组合状态，每种组合共有四种状态，分别为00,01,10,11。分别计算单个频率过度同步化状态占总时间的百分比和组合状态四种状态分别占总时间的百分比。

4)将三个维度得到的所有特征与临床评估的结果进行相关性分析，示例中评估结果与术后12月疼痛减缓程度。基于显著性统计学分析p<0.05提取出在各维度上与患者状态相关的脑部电活动特征。时间域和小波域各特征与术后疼痛评分和术后减缓程度的相关性分析结果见表1-3。在时间域仅幅值的平均值与术后12月疼痛程度相关，而幅值的信息熵与术后12月疼痛缓解程度相关(表1)。在小波域单个节律只是highbeta的同步化时间与术后12月疼痛减缓程度显著相关。同时由两个节律组成的组合状态中有多个状态与术后12月疼痛减缓程度相关。

表1是示出了时间域特征与神经病理性疼痛患者术后12月疼痛程度和疼痛减缓程度的相关性分析结果。

表2是示出了小波域特征7个频段过度同步化状态存在时间百分比与神经病理性疼痛患者术后12月疼痛程度和疼痛减缓程度的相关性分析结果。

表3是示出了小波域特征7个频段两两组合的同步化状态存在时间百分比与神经病理性疼痛患者术后12月疼痛减缓程度的显著相关的部分结果。

表1

表2

表3

5)由于频率域提取特征较多，使用pca分别对频率段功率和频率间功率比值对特征向量进行分析，根据贡献率选择合适的主成分作为表征各特征组的关键成分。图2是使用功率谱分析对神经病理性疼痛患者脑部内所记录的电信号(即lfp)的频率点的功率和频率带间功率的比值的计算结果示例图。

图3是频率域特征与患者疼痛缓解程度进行相关分析得到的相关系数结果图，并且示出了识别出的与疼痛患者程度相关的特征。图3左侧的图中粗实线所在频率的功率谱特征与术后12月疼痛减缓程度显著相关(p<0.01)，而图3右侧图中用方框框起来部分的频带之间功率谱密度的比值特征与术后12月疼痛减缓程度显著相关(p<0.01)。在建模中利用主成分分析的方法仅选择图2和图3中的第一主成分。

6)将三个维度选择的特征作为自变量，术后12月疼痛程度或者缓解程度作为因变量，通过回归分析分别构建预测模型。将预测模型的结果作为自变量，术后12月疼痛程度或者疼痛缓解程度作为因变量，通过多元线性回归分析建立整合三个维度特征的疼痛状态预测模型。图4显示了具体的预测结果。结果表明利用整合时间域、频率域和小波域三个域的特征进行预测效果要优于仅用单个维度的特征。对于术后12月疼痛程度的整合性预测可以达到75％，而对术后12月疼痛减缓程度的整合性预测准确性达到了83％。