动态脑电在康复中的实际应用

1、精品文档动态脑电在康复中的实际应用一、概述脑电信号包含了大量的生理与病理信息， 通过对脑电信号的处理， 不仅可以 为医生提供临床诊断的依据， 还可以为某些脑疾病提供有效的辅助治疗手段。 脑 电是由大量脑神经细胞在高度相关的状态下的电活动在头皮上的总体效应。 脑电 图是将人体脑组织生物电活动放大记录的一门技术， 由于它反映的是 “活”的脑 组织功能状态。 近年来国内外的研究表明脑电波作为一种安全、 无创伤的医学检 测方法在许多脑神经和组织的疾病、 睡眠障碍、 精神心理疾病的诊断及康复治疗 中有十分重要的应用价值。1.1 脑电图 脑电是由大量脑神经细胞在高度相关的状态下的电活动在头皮上的总体效 应

2、。脑电图是将人体脑组织生物电活动放大记录的一门技术，由于它反映的是 “活”的脑组织功能状态。 脑电图 (electroencephalogram,EEG) 的检查方法是在 头部按一定部位放置816个电极，经脑电图机将脑细胞固有的生物电活动放大 并连续描记在纸上的图形。 正常情况下， 脑电图有一定的规律性， 但当脑部尤其 是皮层有病变时， 规律性受到破坏， 波形即发生变化， 对其康复过程中脑电的波 形进行分析，可以辅助诊断脑部的恢复情况。 许多脑部病变可引起脑电波的异常， 如脑外伤、炎症、血管病、代谢性脑病等都有各种不同程度的异常。通过研究较 重病例脑电图在缺血区呈现慢波功率的明显增高，且增高的

3、范围比CT显示的要大，增高的范围和程度随缺血的程度而异，进而证实了脑电图随着病情而变化， 并发现脑损害引起的变化主要以慢波的变化为主 1 。随着身体功能恢复，脑电图 的异常情况也有改善。 通过对康复患者的脑电信号进行阶段性评价， 会发现患者 的脑电波随其康复会有明显改善。 这些都说明脑电图对脑部疾病意外及其以后的 康复评价都是非常重要的。 动态脑电图则是长时间实时的记录病人的全部脑电活 动。1.2 目前国内外脑电信号研究动态 近年来，人们相继引入了时频分析法、高阶谱分析法、非线性分析法、人工 神经网络 分析法等现代分析手段对脑电信号进行了更深一步的研究。研究的对 象主要集中在以下的 几个方面：

4、(1)对癫痫脑电信号的研究。 癫痫脑电的特征波 形有棘波、尖波、棘慢综合波等，国 内外的研究者一般采用小波分析法、神经 网络分析法对棘波、尖波进行自动检测与预测 2-4 。(2) 对睡眠脑电信号的研究。 睡眠是一种重要的生理现象， 在精神病学上，睡眠分期是最重要的诊断方法之一， 而脑电图是研究睡眠的一个非常重要的工具。 一些研究者通过分析睡眠脑电的谱 分析、关联维、复杂度等来区别不同睡眠分期 5-7 。(3) 对不同状态下的思维脑电 信号进行分析。 早期的工作主要研究大脑在安静状态、 闭眼状态、 睁眼状态下的 脑电特征。后来，随着研究的不断深入，人们开始研究大脑听音乐、心算、识别 图形等高级思

5、维脑电活动， 为人类研究大脑的认知功能提供了新的有效手段 8-9 。(4) 对麻醉状态下的脑电信号进行分析。 通过分析不同麻醉深度的脑电信号节律， 辅助完成对病人的手术及术后恢复的监护 10 。(5) 对痴呆、精神异常、脑梗塞、 脑损伤、抑郁症等其他脑部疾病的脑电信号进行分析 11-12 。总之，脑电信号分析 已经渗透到与脑有关的各个领域，更好的认识大脑将为我们提供 更好的方法来 保护大脑，脑电信号的研究将日益深入。二、动态脑电在康复中的应用2.1 在认知功能障碍康复中的应用人在不同的认知活动中， 大脑动力学运动特性不同， 认知电位也不同； 患有 注意机能缺陷、弱智、老年性痴呆、精神分裂症、儿

6、童多动症等认知功能缺陷的 病人在认知活动时的认知电位和正常人的有很显著的差别。 因此通过测得患者认 知电位和正常的比较可以评判其认知功能。 目前常用来捕捉和分析与认知活动相 关的脑电波主要有40Hz脑电事件相关电位(40Hz ERPs)、事件相关电位(N100、 N2O0 N270 N300 N400)和认知电位 P300(Cognitive Evoked Potential P300)。 目前人类脑计划正在向着全球发展， 世界许多国家已将脑的研究作为重点资助领 域。脑电信号被认为是大脑皮层活动的结果， 与大脑复杂的认知过程有关， 可在 临床实践中作为大脑认知功能障碍的严重程度、 治疗康复效果

7、、 疗效观察、 病人 预后的客观评定指标。从众多当前的研究可以看出 13-14 ，认知研究中广泛地采用 了 EEG研究方法，一个重要的原因就是脑电(EEG)检测是一种无创的、具有高时 间分辨率的、侧重时间上的信息传递和处理的研究方法。EEG包含了大脑皮层神经活动的信息，其中蕴含着包括思维、情感、精神以及心理等活动的丰富内容， 深入研究EEG对于了解认知和思维过程，揭示大脑工作机理具有重要意义。 认知 脑电的分析吸引了国际上许多学者， 主要是对不同导联、 不同心理作业的时间系 列信号进行处理，利用不同认知状态下的能量分布特性来揭示大脑工作机理 15 。 脑电图能够先于大脑结构和代谢出现异常之前识

8、别出轻微脑功能的负向变化 16 。 Sitms 等17的研究已证实，脑电的异常程度与认知功能障碍的程度相关。目前，对于安静状态下患者某一阶段脑电信号 的分析技术已被广泛应用于 痴呆的临床评价与研究，并且已得出结论，认为具有认知功能损伤患者的 脑电 活动在安静状态下低频活动增加，高频活动减少 18-19 。 VaD der Hiele 等20研究 表明，认知负载状态下， 脑电的变化较之安静状态下更能突显出认知功能障碍的 严重程度。国内研究结果显示21-22，康复综合治疗对于稳定并部分提高 AD、脑 血管意外患者的认知功能。美国哈佛大学的学者认为：当大脑处于a波状态时，能促进灵感， 加快资料收集，

9、 增强记忆，这一状态又被称 为“放松性警觉状态” ， 是理想的学习状态23。大量脑 科学研究表明24-26 : a波脑电与人的认知过程密切 相 关，如何有效地通过外部刺激诱发 a 波脑电成为认知 科学研究的热点问题。 a波音乐对提高中学生记忆有积极的影响27 o2.2 在脑瘫患儿康复中的应用脑性瘫痪(脑瘫)是小儿神经系统常见的疾病，主要表现为运动功能障碍。 重者可并癫、智力低下、视力障碍、听力 障碍等。早期发现脑瘫及并发症，对 全面判断预后康复有重要意义。有研究表明28，智力低下及癫痫的脑瘫患儿 AEEG 异常率较总异常率高，智能障碍越明显 AEEC异常率越高。BAEP是由声刺激引起 的神经活

10、动在脑干听觉传导通路 上的电活动，它能客观、敏感地反映中枢神经 系统功能。因此BAEP检测不仅可反映脑干听觉功能的发育， 而且在一定 程度上 可反映出整个脑干功能的发育状态：渐。脑瘫类型不同，AEEG与 BAEP异常率不 同，有助于临床分型。AEEG与 BAEP两者从不同的解剖径路发现脑瘫的并发症 及判断预后，可为脑瘫的全面康复治疗提供指导。2.3 在想象动作中的应用 想象动作可以引起脑电信号的特异性变化，对肢体动作的想象可以引起动态脑电信号特征频段功率谱密度的改变， 这一现象称之为事件相关去同步化或事件相关同步化 (Event Related Desynchronization Synchr

11、onization ，ERDERS)。 手部想象动作主要在对侧的主运动感觉区的mu 节律 (10Hz-12Hz) 与 beta 节律(20hz24hz)处引发ERD现象，即mu节律与beta节律频段的功率谱密度在想象 手部动作时降低，部分受试者会引发同侧主运动感觉区的同频段功率谱密度上升 的ERS现象30。 ERD与ERS既可以用作思维活动对刺激事件的有效响应标志， 又可以在实时脑电处理中作为特 征参数定位响应发生的具体时刻，因此在目前 基于动作或想象动作电位的脑计算机接口 (brain computer in terface， BCI)系统设计中往往使用ERD与 ERS乍为关键性的触发参数3

12、1。近几年，基于无创EEG言号的脑-机接口技术在运动信息解码的相关研究中 取得了突破性进展。2008年，Hammo和Makeig等人通过提取无创EEG言号中的 有 效特征，在手够及物品的实验过程中成功预测了手的运动方向 32。 Waldert 和Preissl等人基于运动EEG和MEG言号研究了相关的解码方法，通过分析比较 不同特征的目标识别结果，证实了手的运动方向信息可以从相关的EEG和MEG信号中提取得到 33。 2009 年， Bradberry 和 Gentili 等人进行了基于无创 EEG 信号重建三维空间运动轨迹的研究， 根据采集到的EEG言号和真实运动轨迹，建 立EEG信号和手运

13、动轨迹和速度的解码模型，初步得出运动EEG信号可以解码手 的运动学参数等信息的结论34。 2010年，H Yuan和B He等人研究了手握拳速度 与实际EEG信号之间的关系，并且分析比较了想象运动和真实运动诱发的EEG信号的差异 昭。因此，从众多的研究结果中可以得到，通过无创EEG信号解码运动信息是可行的。2.4 脑- 机接口技术中的应用脑机接口是一种不依赖大脑外周神经与肌肉正常输出通道的控制系统， 通过 采集和分析人脑生物电信号， 在人脑与计算机或其他电子设备间建立起直接交流 和控制的通道， 这样人就可以直接通过大脑来表达意愿或操纵设备， 而不需要语 言或肢体的动作 36-37。研究和发展脑

14、机接口技术可以帮助肌肉萎缩、脊髓损伤等 神经肌肉方面的患者以及交流障碍者有效地完成对外界交流和控制 38。从脑电极记录到的电位是对脑部大量神经元活动的反应， 低至微伏级， 这种 电活动的电位随时间的波动称为脑电波(EEG)。EEG反应了大脑组织的电活动及 大脑的功能状态，脑的复杂活动反应在头皮上的电位活动就是EEG轨迹39。所以理论上，人的意图通过脑电应该可以被探测识别出来。BCI的前驱曾经指出“在 理论上,脑的感觉、运动及认知意识在自发EEG中应该是可辨识的”，因此EEG成为 BCI 研究的首选工具。脑机接口技术是通过信号采集设备从大脑皮层采集脑电信号经过放大、滤 波、A/D转换等处理转换为

15、可以被计算机识别的信号，然后对信号进行预处理， 提取特征信号， 再利用这些特征进行模式识别， 最后转化为控制外部设备的具体 指令，实现对外部设备的控制。脑 -机接口技术是利用虚拟现实康复训练平台， 由患者在想象运动时的脑电信号作为虚拟人运动的控制信号， 从而把想象运动与 运动功能恢复训练结合在一起 40。脑-机接口技术为高位截瘫的患者提供了一个 非常好的解决方案，即运用脑 -机接口技术控制实施电刺激。它通过收集到的脑 电现象分析后直接实施刺激肌肉， 达到站立行走的目的， 实现患者在功能上恢复 的初衷。在医学领域，脑机接口机器人可以帮助肢体障碍患者提高他们的生活质量， 如：(1)与周围环境进行交

16、流：BCI机器人可以帮助残疾人使用电脑、拨打电话 等；（2）控制周围环境： BCI 机器人可以帮助残疾人或老年人控制轮椅、家庭电 器开关等；（3）运动康复： BCI 康复机器人可以帮助残疾人或失去运动能力的老 年人进行主动康复训练， BCI 护理机器人可以从事基本护理工作，提高残疾人或 老年人的生活质量。2.5 在脑电生物反馈治疗中的应用动态脑电在康复领域还可用于脑电生物反馈治疗， 大脑活动时会不断地产生 一些微弱的电信号， 脑电反馈仪就是将个体觉察不到的脑电活动转换成直观的信 号，并让被试者理解这些信号的意义。 在被试者体验到这些直观信号与各种心理 状态之间的关系后，学习按要求改变这些信号实

17、际上就是随意控制脑电活动。常用a波和9波作为反馈信息，用声和光等反馈号指示a波的出现，用以治疗癫痫发作、抑郁症，以及运动员松弛训练和集中注意力训练等。B 波脑 电生物反馈，用于治疗神经衰弱、失眠。在精神疾病的治疗中有研究表明，通过 生物反馈仪的帮助， 可以清晰地观察到脑电 a 值的变化， 从而可通过进行有针 对性的训练来达到调整 自身的心理、 生理变 化的目的，进而放松身心、快速 改善焦虑症状 41 。控制脑电活动的方式也已被验证具有较好效果： 周为42 等研究 发现，通过增加脑电活动中 a 波的 方式可使广泛性焦虑患者的汉密尔顿焦虑量 表、焦虑自评量表得分降低； Suetsugi 43 等研

18、究表明， 强化脑电活动中 9 波的 活动，可有效缓解广泛性焦虑。 最新研究证实， 定量脑电图引导神经反馈技术可 使有效治疗强迫症和儿童行为障碍 44 。在神经康复领域中， 生物反馈主要通过有 意识的主动训练，来激活一些原来未被使用的神经通路以替代已 经受损的神经 通路， 主要用于解决中风、脊髓损伤、 脑瘫等方面问题 45。三、总结综上所述，随着科技发展动态脑电在康复治疗中的应用前景光明。 但是客观 地说，目前动态脑电在康复治疗的研究中的作用尚有很大的局限性， 究其原因主 要表现在无法获得研究需要的足够高的时间分辨率。 一方面是由于信号采集系统 的限制，使得无法实时地获得更高时间分辨率的信号，

19、这一点随着微电子计算机 技术的发展正在逐步得到解决； 另一方面， 更重要的是由于计算机对于采集到的 大量的实时数据的处理速度还不能满足需求。 因此如何更好地及时地处理高速率 的实时的脑电数据也是需要进一步研究的一个话题。 人类大恼职能的复杂性与精 密性，人类认知活动的神经机制对人们至今是一个未解之谜。随着人们对EEG信号的深入认识，越来越多的研究开始注重信号处理技术在 EEG分析处理中的应 用，这种应用已经不只局限于工程界的研究人员，更多地被医疗、心理学、神经 科学领域的研 究人员重视和采纳。从以上的研究现状可以看出，多种研究方式 的共同作用是认知研究的必行之路。 研究者需要一个高度跨学科的、

20、 多层次的理 论研究，需要心理学、医学、计算机科学以及神经科学等多方合作，才可能在认 知科学的研究之路上取得更大的进步。参考文献：1 徐朝辉，元小冬，申健，等 .脑卒中患者急性期康复过程中神经功能和脑电 生理的变化 J. 现代电生理学杂志 ,2006,13(2) ：77-82.2 Kalayci T, Ozdamar O. Wavelet Preprocessing for Automated Neural Network Detection of EEG Spikes J. IEEE Engineering in Medicine and Biology Magazine, 1995, 14

21、(2): 160-166.3 张彤、杨福生、唐庆玉 . 脑电中癫痫波的自动检测与分类一种分层次、 多 方法整合的 途径J.中国生物医学工程学报，1998,17(1): 1-11.4 L. Diambra, A. Capurro, A. Plastino. Neural networks that learn how to detect epileptic spikes J. Physics Letters A, 1998, 241(1): 61-66.5 Akgul T, Mingui Sun, Sclahassi R J, et al. Characterization of SleepSp

22、indles Using Higher Order Statistics and Spectra J. IEEE Transactions On Biomedical En gi neeri ng, 2000, 47(8): 997- 1009.6 J. Fell, J. R?schke, K. Mannand C. Schaffner. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures. Electroencephalogr J. Clin. Neurophysio

23、l,1996,98(5):401-410.7 钟凌惠. EEG 特征及睡眠分期研究 D. 山东: 山东大学 , 2005.8 沈民奋 , 沈凤麟 , 许崇涛, 朱国平 . 不同状态下脑电信号的双谱分析 J. 生物物理学报 ,1998,14(1): 51-56.9 Stam C J, Van-WoerkomT C, Pritchard WS. Use of non-linear EEGmeasures to characterize EEG changes during mental activity J. Electroencephalography and Clinical Neurophy

24、siology,1996,99(3): 214-224.10 Sebel P S, Lang E, Rampil I J et al. A multicenter study of bispectral electroencephalogram analysis for monitoring anesthesia effect J. Anesth Analg, 1997, 84: 891-899.11 Daniel Abasolo, Roberto Homero, Pedro Espino, Alonso Alonso, Ramon de la Rosa. Electroencephalogr

25、am analysis with approximate entropy tohelp in the diagnosis of Alzeimers disease C. In: Proc of the 4thAnnual IEEE Conf on Information Technology Applications in Biomedicine, UK, 2003: 222-225.12 R. Bellotti, F. De Carlo, M. de Tommaso,M. Lucente. Classificationof spontaneous EEGsignals in migraine

26、 J. Physica A,2007,382:549 - 556.13 姚力揭示大脑奥秘： 脑功能成像信息处理和高级认知功能 的研究科技 日报2003年 12月 12 日(http : /www. stdaily . com/)14 分 项 计 划 一 ： 人 脑 认 知 功 能 之 造 影 研 究 http ： /wwwymedutw/excellence/HBP15 唐荣华，何池忠，方思羽，等 Ahheimers 病患者认知功能 与脑电活动及脑萎缩的相关性研究卒中及神经疾病，2001，8(5) : 266-269.16 Giannakopoulos P ， Missonnier P ， K

27、ovari E ， et a1 Eleetmphysiologicalmarkers of rapid cognitive decline in mild cognitive impairment Front Neurol Neumeci ，2009，24: 39-46 17 Simts LL，Liedorp M，Koene T，et al EEGabnormalities BMassociated with different cognitive profiles in Alzheimer s disease DementGeriatr Coga Disord 201131: 1-618 L

28、iedorp M ，Hoogervorst EL ，Schehens P，et a1 Associations between patterns of EEG abnormalities and diagnosis in alarge menory cliniccohort Dement Geriatr Cogn Disord ，2009，27: 18-23 19 Baker M ，Akrofi K ，Schiffer R.et a1EEG patterns in mild cognitiveimpairment patientsOpen Neuroimag J ，2008，2: 52-55

29、20 van der Hiele K，Vein AA，Kramer CG，et a1Memoryactivation enhances EEG abnormality in mild cognitive impairment Neurobiol Aging ， 2007，28：1-9 21 于洋，张惠红，姚宏 ,et a1 康复综合治疗对阿尔茨海默病患者脑电特征 影响的研究 . 中华老年心脑血管病杂志 ,2014,16,5:514-517.22 王琰萍,张晓玲,朱敏初, et al 认知康复训练对急性脑梗死后认知功能障 碍患者脑电特征的影响 . 中华物理学及康复杂志 .2012,34,6:45

30、3-455.23 郭进，卫晓妮脑电图应用的研究进展 J 陕西师范大学 继续教育学报， 2007，24(2) ：122-12424 Francesca I ，Cavallaro ， Immacolata Cacace ，et al Hypontizability related EEG alpha and theta activities during visual and some sthetic imageriesJ Neuroscience Letters ，2010，470(1) ：13-18 25 Rony-Reuven Nir ，Alon Sinal ， Einat Raz ，et

31、a1 Pain assessment by continuous EEG： Association between subjective perception of tonic pain and peak frequency of alpha oscillations during stimulation and at restJ BrainResearch ，2010，1344：77-86 26 Benedikt Zoefel ，ReneJHuster ，Christoph SHerrmanrL Neuro feedback training of the upper alpha frequ

32、ency band in EEG improves cognitive performanceJ Neuroimage， 2011。 54(2) ：1427-143127 李洁，安博，崔玮 a 脑电波音乐对中学生记忆的改善作用 J 中国心理 卫生杂志， 2012，26(4) ：283 28628 谭春英，谭玉明，李 冲，等. 脑性瘫痪患儿的临床类型与动态脑电图分析 J. 实用儿科临床杂志 Shiyong Erke Linchuang Zazhi ，2004，19(7)：582 -583.29 蒋泽栋，刘湘云 .诱发电位在儿科临床中的应用 J. 实用儿科临 床杂志 Shiyong Erke Li

33、nchuang Zazhi ，1987，2(6)： 308-309.30 Florian G,Pfurtscheller G.Dynamic spectral analysis of eventrelated EEG data J.Electroenceph clin Neurophysiol.1995,95:393-396.31 万柏坤，高扬，赵丽，等，脑 - 机接口：大脑对外信息交流的新途径 J ，国 外医学生物医学工程分册， 2005，28(1) ：4-9 32 Hammon P S, Makeig S, Poizner H, et al. Predicting reaching tar

34、gets from human EEG. Signal Processing Magazine, IEEE, 2008, 25(1): 69-77.33 Waldert S, Preissl H, Demandt E, et al. Hand movement direction decoded from MEG and EEG. The Journal of neuroscience,2008,28(4): 1000-1008.34 Bradberry T J, Gentili R J, Contreras-Vidal J L. Decoding three-dimensional hand

35、 kinematics from electroencephalographic signalsC/Engineering in Medicine and Biology Society, 2009. EMBC2009. Annual International Conference of the IEEE. IEEE, 2009: 5010-5013.35 Yuan H, Perdoni C, He B. Decoding speed of imagined hand movement from EEGC/Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE. IEEE, 2010: 142-145.36 Schalk G, Brunner P, Gerhardt LA, et al. Brain-co