论文部分内容阅读
缺血性脑卒中是指大脑供血的血管发生阻塞时引发脑组织坏死的疾病。卒中的诊断一般由专业医师根据临床症状,结合医学影像来完成。相较于昂贵的影像技术,脑电图（Electroencephalogram,EEG）和血流速率（Blood Flow Velocity,BFV）等信号对大脑功能可以进行连续、实时、无创的监测,且费用低廉。本文采用了缺血性脑卒中病人在重症监护室中的EEG和BFV信号,根据美国国立卫生院卒中量表（National Institute of Health Stroke Scale,NIHSS）和改良Rankin量表（Modified Rankin Scale,MRS）对病人状态的评估,按照传统信号处理方法和深度学习方法两种路线,对生理信号与脑功能状态之间的关系进行分析,具体工作内容如下:（1）本文分析了缺血性卒中病人的脑电信号与脑血流速率信号之间的相-幅耦合（Phase-Amplitude Coupling,PAC）关系,并分析其与脑功能状态评分之间的相关性。本文发现BFV慢波相位与EEG beta波段（13～30Hz）的幅度存在很强的耦合关系,但原始PAC系数与NIHSS评分之间没有显著相关性。因此,本文将病人按病灶侧分类进行计算,创新性地使用PAC标准差和变异系数等参数进行相关性分析,最终发现这些参数与NIHSS评分具有显著的相关性。本文还提出了基于PAC的低频高频比值,结果发现其与NIHSS的相关性大于基于功率谱密度（Power Spectral Density,PSD）的低频高频比值,且在大脑的病灶侧和健康侧有着显著差异。（2）本文构建了基于EEG和BFV信号的深度神经网络模型CNN-LSTM,根据NIHSS和MRS评分对缺血性脑卒中的等级进行分类。实验对比了卷积神经网络（Convolutional Neural Networks,CNN）、长短时记忆网络（Long Short-Term Memory,LSTM）、CNN-LSTM这三种不同的网络架构,最后发现CNN-LSTM混合模型的效果优于单独的CNN和LSTM,准确率在三种架构中最高,在NIHSS、MRS测试集上平均准确率是95.18%。（3）本文通过事后解释,对深度神经网络如何解码生理信号进行可视化。结果发现,原始数据包络、PSD特征显著与模型最后决策的因素相关。其中,delta波段（1～4Hz）的原始信号和PSD与神经网络单位输出的相关性大于其他频段。而beta波段的包络特征与网络输出的相关性显著高于其他波段,在决策中起关键作用。此外,BFV信号的包络特征与神经网络输出的相关性高于PSD特征。基于EEG信号的包络可以对病灶侧的责任动脉进行划分,正确率为74.29%,高于BFV的各种特征,这说明EEG信号在功能状态的评估中起主导作用。综上,本文研究的基于PAC的参数可作为评价卒中的生理指标,提出的CNNLSTM模型在分类卒中等级上有较高的精准度,为卒中的脑功能研究提供了新的技术方法,有助于医生进行临床诊断和治疗。