论文部分内容阅读
被动听觉事件相关电位（event-related potential,ERP）范式诱发的N1（the first negativity）和失匹配负波（mismatch negativity,MMN）成分被认为是诊断意识障碍（disorders of consciousness,DOC）的关键脑功能指标。近年来,相关研究发现被动听觉ERP具有时域-频域-空间域的多维度特性;特别地,在合适的实验参数下,N1与MMN具有时域层级结构特性,即N1的出现可作为准确测量MMN的前提条件。然而,以往意识障碍评估研究在实验设计和分析方法上未能综合考虑上述关键特征,这导致当前基于被动听觉ERP的意识障碍评估技术存在准确性和可靠性不强的问题。鉴于此,本文开展了基于被动听觉ERP时-频-空域特性的意识障碍评估技术研究;首先,从组分析角度探究了N1和MMN的时域层级结构特性在意识障碍单次评估及干预治疗下纵向评估中的有效性,并在此基础上将不同意识水平患者的组间差异转化为个体被试的多维度特征,分别在个体被试叠加平均水平和单试次水平开展意识障碍个体评估研究,具体工作如下:（1）针对当前研究通常直接对意识障碍患者量化MMN幅值以评估其意识水平,而未能综合考虑N1和MMN成分辅助意识障碍评估的问题,本文提出了基于N1和MMN成分时域层级结构特性的意识障碍评估方法。首先,本研究在健康被试中对比了刺激起始时间差分别为600 ms和1000 ms时N1成分的诱发有效性,发现N1仅在刺激起始时间差为1000 ms时具有强制性诱发的时域特征（即28名健康被试全部出现N1）,而在600 ms条件下仅有14.29%（4/28）的被试出现N1成分;在此基础上,本研究采用刺激起始时间差为1000 ms的实验范式对慢性意识障碍患者开展实验,发现以N1成分存在性为判据进行微意识状态和植物状态初级评估的灵敏度为0.910,特异度为0.526;随后,本研究对出现N1成分的意识障碍患者以MMN幅值强弱为判据进行二级评估,并发现:1)直接对所有意识障碍患者量化MMN幅值的评估方法无法有效区分微意识状态和植物状态,2)本研究提出的二级评估方法可有效挖掘出不同意识水平患者间MMN幅值的显著差异,并可有效提升意识障碍评估的准确性,即将Fz电极下MMN幅值与临床行为评分的相关程度由r~2=0.142（p=0.049）提升至r~2=0.378（p=0.007）。（2）针对被动听觉ERP在意识障碍纵向评估中（即对受试者在一定时间跨度上开展多次评估）干预效应检测有效性尚不明确的问题,本文提出了基于N1和MMN成分时域层级结构特性的经颅直流电刺激调控下意识障碍纵向评估。本研究沿用了研究（1）中的实验范式和分析方法,对比了14名慢性意识障碍患者在连续14天经颅直流电刺激调控下,4次意识水平评估中临床行为评估得分与ERP成分时域层级特征的动态变化。其中,3名由昏迷恢复量表评估低于7分的意识障碍患者在4次评估中均未出现N1成分;对于4次评估中均出现N1成分的11名意识障碍患者,临床行为评估得分的统计分析结果表明:长时程-重复性经颅直流电刺激调控可对其产生意识水平恢复的治疗效果,且MMN幅值在治疗后也呈现显著增强;最终,上述两者的显著相关性结果再次验证了被动听觉ERP的时域层级结构特性在意识障碍纵向评估中的干预效应检测有效性。（3）针对被动听觉ERP辅助意识障碍评估的有效性证据常常局限于组别层面统计分析结果的问题,本文提出了通过度量意识障碍患者个体与健康对照组总体的被动听觉ERP时频域全局场功率（global field power,GFP）相似度来实现慢性意识障碍个体评估的机器学习算法。首先,本研究构建出时域波形、时域GFP、时频能量和时频域GFP四种特征,来度量38名健康被试组内ERP反应一致性;特别地,本研究同时考虑了时频变换中的能量和相位信息来联合度量被试间ERP特征相似度;统计分析结果表明时频域GFP特征可在健康对照组内取得最佳度量一致性。随后,本研究逐被试计算意识障碍患者个体与健康对照组总体的时频域GFP相似度,并发现微意识状态组（40名）的相似度指标显著高于植物状态组（54名）。最终,本研究以该相似度指标为意识障碍患者个体特征,结合支持向量机分类器取得了准确率为0.777、灵敏度为0.725和特异度为0.815的意识障碍患者个体微意识状态/植物状态二分类评估表现,而主流评估方法在本数据集上仅能取得准确率为0.670、灵敏度为0.275和特异度为0.963的分类表现。（4）针对基于单试次分析的传统意识障碍个体评估方法未能综合考虑标准试次中N1和偏差试次中MMN具有的时域层级结构特性,进而导致评估结果可靠性不强的问题,本文提出了基于单试次水平时空特征融合的慢性意识障碍个体评估深度学习算法。首先,该算法引入了单试次样本随机融合的数据扩增策略:对于给定个体被试,从其数据中随机抽取三类（标准刺激和两类偏差刺激）单试次时域波形进行空间级联以形成时空特征融合的单试次样本;并结合深度学习算法实现自动化特征提取和分类识别;随后,在包含132名被试的单试次数据集上测试该方法在进行健康被试（38名）,微意识状态（40名）和植物状态（54名）患者三分类任务中的评估表现。结果表明:相较于以单一类型单试次数据为模型输入时,单试次融合样本可显著提升模型分类表现;单试次融合样本数量由100扩增至1000时,模型的分类表现会随着样本数量的扩增而提升且逐步趋于平稳,并在个体被试样本数量扩增至1000时模型取得被试水平平均分类准确率为0.830、精确率为0.838和召回率为0.840的最佳评估表现,而主流的单试次分析方法在当前数据集上仅能取得准确率为0.497、精确率为0.452和召回率为0.401的分类表现。