基于改进的符号转移熵的生理电信号耦合网络研究20130730a

1基于改进的符号转移熵的生理电信号耦合网络研究*吴莎1)，李锦2）,王俊1)†1)（南京邮电大学，图像处理与图像通信江苏省重点实验室，南京210003）2)(陕西师范大学，物理学与信息技术学院，西安710062)摘要：本文在原有转移熵的研究基础上，采取一种改进的时间序列符号化处理方法，计算脑电、心电、肌电之间的符号转移熵，以量化彼此之间的耦合作用，与传统算法所得结果比较，效果更为显著，能更好的捕捉交互中的动态信息。此外，本文还对睡眠分期的生理电信号进行同样改进方法的耦合量化处理，综合得到不同时期的耦合网络。实验表明，生理电信号相互之间存在紧密的交互，网络内部耦合强度随时间和生理状态的不同发生动态的改变，通过量化结果我们可以较为清晰的分析不同生理系统不同时期的交互强度与变化，为医学实践生理与病理的检测与研究提供了一种有效的处理方法。关键词：生理电信号，耦合网络，符号转移熵PACS：国家自然科学基金(批准号:61271082,61201029,61102094)和江苏省自然科学基金(批准号:BK2011759,BK2011565)资助的课题.†通讯联系人:E-mail:[e-mail]21引言人体有着复杂的生理系统，在神经中枢的调节下表现出高度的复杂性与非平稳、间歇性和非线性行为，每一处控制机能都在不断的相互作用并构成一个综合的网络，任何一个系统的故障都会导致整个网络的崩溃。识别和量化不同系统、不同类型交互作用的动态网络是一个很大的挑战。由于潜在的控制机制的变化，生理动力系统在不同的生理状态和病理条件]2,1[下会随时间发生瞬时的改变。不同系统之间各种耦合作用]4,3[与反馈交互]5[加剧了这种复杂性，使其更加难以捉摸。想要量化这些生理交互很难，因为一个系统与其它系统之间可能存在多个同步交互，而且耦合强度还随时间不断变化。近年来，研究发现网络具有复杂的拓扑结构]8-6[，由简单的交互作用]9[、网络鲁棒性研究]11,10[转而集中于自组织和复杂网络行为的探索]12[。然而，探究复杂网络的拓扑结构和动力学之间的关系仍然不易，特别当网络是由各种不同类型交互的不同系统组成，想要识别综合生理系统网络的交互作用、研究不同生理状态下该网络的动态演化，发展用于量化不同系统之间相互作用的方法十分必要。本文在原有符号转移熵研究的基础上，采取一种改进的时间序列符号化处理方法，并用该算法计算脑电、心电、肌电之间的符号转移熵，以量化彼此之间的耦合作用，与传统算法所得结果比较，具有明显的优越性。此外，本文还将该方法应用于量化睡眠期生理电信号的耦合作用，综合得到清醒期与睡眠期的生理电信号耦合网络，并作进一步分析。生理电信号相互之间存在紧密的交互，改进的STE可以量化彼此之间的这种耦合作用。不同生理系统电信号之间的耦合作用强度不同，并在睡眠分期随生理状态不同的情况下发生动态的演化。32改进的符号转移熵信源的熵率：)|(log),()|()(1)(1)(1knnknnIknniipiiphiiH，（1）其中，),...,(1)(knnkniii。研究多个过程之间的动力学信息，需要将熵率推广到多个系统，这就有：),|(log),,()()(1)()(1knknnknknnIJjiipjiiph，（2）当I和J相互独立时，)|(log),,()(1)()(1'knnknknnIJiipjiiph。（3）因此，定义转移熵TE（TransferEntropy）：)|(),|(log),,()(1)()(1)()(1'knnknknnknknnIJIJIJiipjiipjiiphhT。（4）传统的符号转移熵STE(SymbolicTransferEntropy)计算方法采用静态划分，由于时间序列的非平稳性，结果会受到严重影响]13[。本文采用的是一种改进的动态自适应分割方法，对于序列X（嵌入维数为m）的每一个m维矢量)(iX，计算其基本尺度BS（BasicScale），1))1()(()(BS112mjixjiximj。（5）这里采用BS作为符号划分的标准。每一个m维矢量，BS不同，划分标准也将动态变化，时间序列就转换成m维的符号序列：)}1(),...,1(),({)(misisisiSi，Ls，）（3,2,1,0L，（6）4BSxxxxBSxBSxxBSxxxikikikiki:3:2:1:0)(Si（7）其中，，1,...,2,1,0,1,...,3,2,1mkmNix为第i个m维矢量的均值，BS是相应的基本尺度[14]。是常量，取值过小会加重噪声的影响，取值过大无法较好的捕捉信号中的动态信息。3基于改进的STE生理电信号睡眠分期耦合网络研究3.1实验数据本文使用的清醒期、睡眠期EEG(electroencephalogram)信号、ECG(electrocardiosignal)信号、EMG(electromyographicsignal)信号数据取自PhysioBank的MIT-BIHPolysomnographicDatabase。该数据库中记录的是多参数睡眠数据，包含1导EEG信号、1导ECG、1导EMG和1导EOG(eyectro-oculogram)等多导睡眠信号，数据记录时长达6个小时，附带以30s为一个分期的注释信息，基本采样频率为250Hz。3.2实验方法A改进的STE生理电信号耦合网络交互作用与传统结果对比根据以上分析，我们首先对清醒期的受试者slp41依次提取10组长度为5000点的1导EEG（C4-A1）信号、1导ECG信号和1导EMG信号，采用粗粒化方法（r=0.5）再生成10组数据，然后分别利用传统的符号转移熵计算方法和本文采用的改进的符号化编码算法进行处理，计算出相互之间的STE耦合值，并作对比分析。5B基于改进的STE生理电信号睡眠分期耦合网络交互作用分析我们再次对受试者slp41在睡眠Ｉ期分别提取10组长度为5000点的1导EEG（C4-A1）信号、1导ECG信号和1导EMG信号，作同上符号化编码处理，Matlab计算得出相互之间耦合作用的量化结果，综合进行分析。3.3实验结果及分析A改进的STE生理电信号耦合网络交互作用与传统结果对比由以上方法，分别得到EEG、ECG、EMG信号在传统的符号化编码算法和改进的符号转移熵计算方法下所得ECGEEGT、EEGECGT、GEEEGTM、EEGEMGT、GEECGTM、ECGEMGT耦合作用量化结果，每个STE值由5组数据实验综合所得。实验结果见表１、表2。表1传统STE算法在清醒期所得生理电信号交互作用结果STEECGEEGTEEGECGTGEEEGTMEEGEMGTGEECGTMECGEMGT10.69590.55080.89860.77970.79540.757020.76360.95520.61800.63660.71730.697230.70020.67990.45340.57580.72450.808840.66690.60510.78500.68800.66040.707050.89290.46630.66750.63210.74220.7154平均值0.74390.65150.68450.66240.72800.7371标准差0.09050.18690.16890.07670.04860.04616表2改进STE算法在清醒期所得生理电信号交互作用结果STEECGEEGTEEGECGTGEEEGTMEEGEMGTGEECGTMECGEMGT11.01120.92880.46810.63400.68500.805320.97270.86780.50930.48610.58460.477431.08981.12810.50850.51830.69960.710740.96381.00601.10540.88691.05911.185650.51310.55710.84170.88110.67000.7299平均值0.91010.89760.68660.68130.73970.7818标准差0.22740.21370.27860.19310.18410.2569将表1和表2的结果绘制成图，如图1所示。图1两种STE算法所得多信号耦合作用结果对比7从以上结果我们可以看出：1）改进的STE算法，ECGEEGT的值总是大于EEGECGT，EMGEEGT总是大于EEGEMGT，说明大脑到心脏、到肌肉的耦合作用强于心电、肌电到脑电的反馈，大脑处于支配地位，与实际情况相符。2）与传统的符号化处理结果相比，改进的STE算法所得ECGEEGT、EEGECGT、EMGEEGT、EEGEMGT、EMGGETC、ECGEMGT的值均大于同等情况下传统算法结果，说明使用改进算法分析的生理电信号间的耦合作用更为显著。3）与传统的STE处理结果相比，改进算法所得STE值在一定区间内波动范围更明显，能更好的捕捉信号中的动态信息，且成对波动趋势更加一致和谐。B基于改进的STE生理电信号睡眠分期耦合网络交互作用分析采用同样的改进处理方法，我们得到EEG、ECG、EMG信号在睡眠I期相互之间耦合作用的量化结果，实验结果见表3。表3基于改进的STE睡眠Ｉ期生理电信号耦合作用结果STEECGEEGTEEGECGTGEEEGTMEEGEMGTGEECGTMECGEMGT10.88051.12810.68170.74000.59310.467620.67530.69690.57590.59840.77881.121231.10320.88710.81650.70070.53410.646140.53880.50950.71330.70720.59290.693150.84560.69510.77290.58860.86160.8957平均值0.80870.78330.71210.66700.67210.7647标准差0.21440.23450.09230.06880.14040.25088综合表2、表3的结果，绘制成框图，如图2所示。清醒期睡眠I期图2基于改进的STE生理电信号耦合网络交互结果对比由图中可以看出：1）生理电信号EEG、ECG、EMG相互之间存在紧密的交互，改进的STE可以量化彼此之间的这种耦合作用。从STE值可以看到，不同系统不同生理电信号之间的耦合作用强度不同，并且在睡眠分期随生理状态不同的情况下发生动态的演化。2）总体来说，清醒期，EEG、ECG、EMG两两之间的交互与反馈作用强度均大于同种情况下睡眠I期相互之间的耦合强度，说明生理电信号耦合网络内的交互作用在清醒期时要强于睡眠I期，与实际情况相符。3）无论清醒期还是睡眠I期，ECGEEGT的值总是大于EEGECGT，EMGEEGT的值总是大于EEGEMGT的反馈，说明尽管网络内相互之间的耦合强度随时间变化，但大脑到心脏、到肌肉的耦合作用总是强于心电、肌电到脑电的反馈，大脑始终处于主导地位。而心脏却并不始终支配着肌电信号，说明这两种生理系统之间的交互有起伏，要视具体情况具体的生态状态而定。4结论本文在原有转移熵的研究基础上，首先应用粗粒化提取的方法对信号数据进EEG0.91010.89760.68660.68130.73970.7818ECGEMGEEGECGEMG0.80870.78330.71210.66700.67210.76479行采样分析，然后采取一种改进的符号转移熵处理方法，对脑电、心电、肌电之间的耦合作用作相应量化，与传统算法所得结果比较，效果更为显著，能更好的捕捉交互中的动态信息，具有明显的优越性。此外，本文还对睡眠分期的生理电信号进行同样改进方法的耦合量化处理，综合得到清醒期与睡眠I期的生理电信号耦合网络，EEG、ECG、EMG信号相互之间存在紧密的交互，网