疼痛誘發(fā)腦電響應(yīng)的挖掘和應(yīng)用.pdf

1、國際疼痛研究協(xié)會（IASP）定義疼痛為“伴隨實際或潛在機體組織損傷產(chǎn)生的一種不快的感覺和情緒體驗，常被人用來指代這些損傷”。疼痛是多數(shù)疾病的主要伴隨癥狀，一般隨著病情的開始、惡化、好轉(zhuǎn)和治愈而出現(xiàn)、加重、減輕和消失，臨床上疼痛評估可為監(jiān)測病情和衡量治療效果的提供重要指標。當機體已經(jīng)痊愈而疼痛并未消失時，起保護和警示作用的疼痛就轉(zhuǎn)化成有害的慢性疼痛病，顯著地降低個人的機體功能和生活質(zhì)量。這時，疼痛評估為疼痛治療決策提供主要標準。但是，疼痛

2、是受感覺、注意、情緒、意識狀態(tài)和經(jīng)驗等諸多因素影響的主觀體驗，其主觀性給痛覺的客觀評估和科學診斷造成了非常大的困難。
　　腦電圖學是一種記錄頭皮表面微弱電信號的實驗室研究和臨床診斷技術(shù)，它能獲取大腦神經(jīng)活動直接可靠的電生理指標，并且具有非侵入性和極高的時間分辨率等優(yōu)點。因此，腦電技術(shù)被廣泛用于認知神經(jīng)科學領(lǐng)域的基礎(chǔ)和臨床研究中，以獲取人類大腦處理痛覺的神經(jīng)機制。因激光刺激能選擇性激活傷害感受器Aδ纖維和C纖維，激光誘發(fā)電位(LEP

3、s)被認為是研究傷害疼痛特性的最好方法之一。
　　本研究中，首先將利用大樣本被試的激光誘發(fā)腦電信號，采用基于偏最小二乘法(PLS)的多元線性回歸(MVLR)技術(shù)，深入探討腦電時頻分析技術(shù)中基線校準方式對疼痛腦電時頻響應(yīng)（事件相關(guān)失同步[ERD]/同步化[ERS]）的影響，以期獲得無偏的基線校準方式。皮層電信號（如腦電圖[EEG]和腦磁圖[MEG]）的ERD/ERS從另一重要側(cè)面反映感覺、運動和認知的皮層處理過程。ERD/ERS通過

4、單試次皮層電信號的時頻分解獲得，能探測刺激誘發(fā)的某些頻帶能量的顯著變化。通常，用刺激前后能量差占刺激前能量的百分比表示能量變化。但該百分比方式存在兩個重要卻被意外忽略的問題。第一，它在ERD/ERS的定量估計中引入明顯的偏差。第二，它混淆了刺激前和刺激后腦電能量分別對所得變化結(jié)果值的貢獻。以瞬時傷害刺激誘發(fā)的人類皮層電響應(yīng)為例，我們在第一個研究中證明單試次水平上的平均能量改變百分數(shù)，即ERD/ERS，存在正向偏差，表現(xiàn)為高估ERS和低估

5、ERD。該偏差在單試次水平上的相減方式基線校準時不存在。因ERD/ERS的變異由刺激前能量變異和刺激后能量變異共同組成，所以需要估計兩者分別對變異的貢獻大小?？刹捎没赑LS回歸以達最優(yōu)估計的MVLR模型，定量分析和厘清刺激前后腦電活動能量與行為變量的關(guān)系。結(jié)果說明結(jié)合單試次水平上相減方式的基線校準和PLS分析能準確地探測和量化ERD/ERS。
　　接著，運用各種先進的腦電分析和處理技術(shù)，如腦電信號的帶通濾波、獨立成分分析(ICA

6、)、共空間模式(CSP)分析、單試次提取、MVLR分析等，我們對單試次激光誘發(fā)腦電信號進行逐步降噪處理。具體來說:第一步，運用帶通濾波技術(shù)，在頻域上去除與信號無關(guān)的偽跡;第二步，運用ICA技術(shù)將濾過波的64導腦電信號分解成許多成分，通過辨別和刪除與眨眼和眼動有關(guān)的成分進一步去除偽跡;第三步，對基線信號集和激光誘發(fā)腦電信號集采用CSP分析，獲取最能區(qū)別兩個集合的空間模式，用它們作為空間濾波器降低激光誘發(fā)腦電信號以外的背景信號和噪聲，同時保

7、留LEPs信號，進一步提高信噪比(SNR)。第四步，運用MVLR分析，以平均波形作為模板，擬合單試次LEP，大幅度提高單試次疼痛腦電響應(yīng)的SNR。
　　前面提到，疼痛是一種個人體驗，臨床中一直以自我報告為評估疼痛的黃金標準。但是，對某些弱勢人群（如意識障礙病人）來說，難以獲取可靠的自我報告，這就導致缺失或非最優(yōu)的疼痛治療。因此，作為自我報告的補充，基于生理的，客觀的疼痛評估指標在許多實踐中顯得很重要。在降噪過程的第四步，MVLR分

8、析能產(chǎn)生代表單試次LEP中N2，P2波峰值和潛伏期信息的回歸系數(shù)，基于這些單試次LEP特征，用貝葉斯分類器對疼痛強度進行二分（強疼和弱疼）預測，用多元線性預測模型對疼痛強度進行連續(xù)（0到10分）預測。結(jié)果顯示，疼痛強度的二分預測（強疼和弱疼的分類）準確率分別是86.3±8.4％（被試內(nèi)）和80.3±8.5％（被試間），疼痛強度連續(xù)預測（在0到10范圍內(nèi)回歸）的平均絕對誤差(MAE)分別是1.031±0.136（被試內(nèi)）和1.821±0.