睡眠脑电的研究_张杰

睡眠脑电的研究

张　杰　王明时　综述

天津大学生物医学工程与科学仪器系(300072)

摘要　睡眠脑电是研究睡眠的重要且有力的工具。本文在阐述睡眠与脑电关系的基础上,着重论述了非线性方法:人工神经网络、混沌与分形及复杂性在睡眠脑电研究中的应用。

关键词　睡眠　脑电

1　前言

睡眠是一种重要的生理现象。从生到死,人类始终是在觉醒和睡眠中度过。人类通过睡眠,可以消除疲劳,更好地恢复精神和体力,使人在睡眠之后,保持良好的觉醒状态,提高工作、学习效率。

脑电(EEG)是大脑神经元突触后电位的综合,是大脑神经电活动产生的电场经容积导体(由皮层、颅骨、脑膜及头皮构成)传导后在头皮上的电位分布。脑电图反应了大脑组织的电脑活动及大脑的功能状态。如何从脑电信息中提取可靠参数来反应大脑的功能状态一直是人们希望解决的课题之一。

首先发现人脑活动的是德国精神病学家Ha ns Berg er,他于1924年开始研究,并命名为Elektro encephalog ram,简称EEG。目前脑电图已成为一项常规的临床检查,它在脑功能评估方面的作用是任何其他方法不可替代的。在睡眠及睡眠的研究过程中,脑电图一直是重要且有力的工具。脑电的发现,使人类对睡眠的研究进入了一个新阶段。

2　睡眠与脑电的关系

按照脑电图(EEG)、颈肌电图(EM G)、眼球运动电流图(EOG)的不同形态、特征,一般国际上把睡眠分为两类:无快动眼睡眠(N REM)和快动眼睡眠(REM)。无快动眼睡眠又分为四个时期:一、二、三、四期睡眠。睡眠深度由浅度睡眠、轻度睡眠到中度睡眠、再到深度睡眠。不同睡眠期的脑电图有不同的形态特征。

无快动眼睡眠(N REM)也称“慢波睡眠”,即随着入睡者睡眠的加深,脑电逐渐变慢、变大(即“同步化”)。根据这一点又把慢波睡眠分成四个时期:一期,即刚有慢波出现时。这一阶段是完全清醒与入睡间的过渡阶段。在此阶段入睡者对外界刺激的反应消失,每秒8～13次的α波消失,而代之以每秒2～7次的θ波,此时很短,约0.5～7分钟;二期,入睡者进入轻度睡眠。此期间,人可能有短暂的琐碎而不连贯的思维活动,脑电波出现α波自动调幅现象,即一阵α波开始振幅较小,中间变大,后来又变小,呈纺锤形,故又称纺锤波、梭形波,每一阵持续0.2～2秒,还可出现特定的“K”波,由先负相后正相的大慢波组成;三期,入睡者进入中度睡眠,δ波超过20%,但不超过50%。振幅在75μV以上;四期,深度睡眠,δ波占50%以上,主要出现在前半夜的睡眠”。以后睡眠又渐转浅,从四期、三期,再回到一期。全程历经70～100分钟,然后转入“异相睡眠”。此时,实际上睡眠已经很深,但脑电活动却与觉醒时相仿,出现“去同步化快波”,眼球出现每分钟50～60次的快速摆动,大脑仍存在着一定的思维活

·

65

·

动,所以“异相睡眠”又称为“眼快动睡眠”(REM睡眠)。

在整个睡眠过程中,慢波睡眠(N REM)与快波睡眠(REM)相互交替出现,其变化相应地反应到脑电波的不同。人在睡眠各期中脑电波的频率和振幅可有显著的差别,这反映了脑功能状态的变化。因此研究睡眠期脑电的变化,对了解睡眠的周期性节律,有效地诱导、控制睡眠过程,治疗与睡眠有关的疾病,提高人类身心健康水准都具有极其重要的意义。

3　睡眠脑电的研究方法

随着电子技术的发展,数字处理技术逐步应用到EEG的分析中来。经典的EEG分析方法有:以分析EEG波形的几何性质,如幅度、均值、峭度等为主的时域分析方法和以分析EEG各频率功率、相干等为主的领域方法。早在70年代初,W.C.Yeo和J.P.Smith〔1〕就应用Walsh谱分析离线地研究了一个处于睡眠状态的男性的三段脑电图。rsen等〔2〕应用Walsh顺序的Walsh函数对EEG进行展开,并定义了双值自相关函数,尔后讨论了可以按双值自相关函数来显示各种睡眠入EEG的特征。

经典的分析方法用于睡眠期脑电的研究取得了一定的成果。然而,仅仅应用经典的分析方法分析睡眠期的脑电活动,从中揭示的信息是非常有限的。自脑电图发现以来,人们就试图通过研究它来了解大脑的功能活动。近年来随着非线性系统分析理论的发展及其在生物学中的应用,促进了脑电的进一步研究,使一度受冷落的脑电研究再次引起科学界的重视。睡眠期脑电由于不受主观思维的干扰,相对醒时要简单一些,更能客观地反映对睡眠的控制特性,因此应用非线性方法分析睡眠期脑电比较活跃,本文着重对此作一回顾。

3.1人工神经网络分析(Artificial Neural

Netw ork,ANN)

1982年,美国物理学家Hopfield提出了HNN模型,从而有力地推动了应用神经网络方法解释许多复杂生命过程的进展。自八十年代末以来,人工神经网络的应用已涉及到了脑电分析的各个方面,其中包括自发脑电的睡眠分级及睡眠EEG分析。

S.Roberts和L.Ta rassenko〔3,4〕把人工神经网络应用于睡眠EEG的自动分析。他们采用无监督学习网络对大量没有经过人工判别的数据进行自组织分类,少量的经过人工判别的标准样本则用来自组织分类结果做解释和量化,从而在网络中形成了8个聚类区。根据EEG在8个聚类区之间随时间运动的轨迹可以对一夜的睡眠状况有定性的了解。

在上述睡眠分析中,如在自组织网络之后加一级有监督学习的分类器,通过观察输出值随时间变化的曲线,可以对睡眠状况进行定量分析。

Nicolas Schaltenbra nd[5]设计了有监督和无监督网络并行工作的睡眠自动分析系统,对整个晚上的睡眠质量进行了自动分类。

Takam asa Shimada等[6]和J.Principe 等[7]也应用神经网络分类器进行了睡眠分期,他们利用EEG、EOG、EM G的特征作为网络的输入,并且评估了睡眠的质量。目前这种方法正在完善。

由于神经网络可以把专家知识结合进一个数学框架来完成提取特征和分类、识别等功能,而不需要任何对数据和噪声的先验统计假设,也不需要把专家知识和经验归纳成严密清晰的条文,其最主要的特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度鲁棒性和学习记忆功能,所以是脑电分析中特别重要的工具[8]。人工神经网络分析睡眠EEG是研究睡眠分期及定量、定性分析睡眠状况的新的可能途径。

3.2　混沌与分形方法(Chaos and Fractals)

1963年,美国气象学家E.N.Lo renz发

·

66·