脑干听觉诱发电位的非线性动态提取
脑干听觉诱发电位的非线性动态提取 24卷6期
2005年12月
中国生物医学
ChineseJournalofBiomedicalEnger吨
Vo1.24No.6
Deeember2005
脑干听觉诱发电位的非线性动态提取
耿新玲田心
(天津医科大学生物医学工程系,天津300070)
摘要:临床上常用的平均脑干听觉诱发电位
(BrainstemAuditoryEvokedPotential,BAEP)无法描述脑干功能的动态 特性,从背景噪声中单次或少次动态提取的BAEP才是反映脑干功能的理想信号.径向基函数神经网络(Radial
BasisFunctionNeuralNetwork,RBFNN)已被用于BAEP的非线性动态提取,但是对于"淹没"在噪声中的信噪比很小的
BAEP提取效果不好.本研究用移动窗口平均(MovingWindowAverage,MWA)先对含噪声的BAEP进行动态少次平
均提高信噪比,然后再用RBFNN进行BAEP的非线性提取,在保留了绝大部分BAEP动态信息的前提下改善了
RBFNN的提取性能.为了验证方法的可行性,构建了信噪比为一2.SdB的仿真BAEP-噪声序列,经MWA和RBFNN
动态提取后相对均方误差约为19%,比仅用RBFNN时误差降低了6%左右.将上述方法用于实际测取的BAEP,可
以得到每个子波形和平均BAEP波形波幅趋势大体相同的动态序列,这个BAEP动态序列为应用非线性动力学研
究脑干功能动态特性打下了基础.
关键词:脑干听觉诱发电位;动态提取;移动窗口平均;径向基函数神经网络
NonlinearDynamicExtractionofBrainstem
AuditoryEvokedPotential
GengXin—LingTianXin
(DepartmentofBiomedicalEn~neerlng,TianjinMedicalUniversity,Tianjin300070) Abstract:T11ecommon?usedaveragedbrainstemauditoryevokedpotential(BAEP)cannotdescribethedy'namic
characteristicsofbrainstem,whilesingle—
trialBAEPextractedfrombackgroundnoiseswouldbetheidealsigna1. Radialbasisfunctionneuralnetwork(RBFNN)hasbeenusedtoextractBAEPnonlineadyanddynamically.
However,itsextractionperformanceistypicallypoorfortheBAEP,whichisemergedinthenoisesandhasaverylow
signal?to—
noiseratio(SNR).Inthispaper,movingwindowaveraging(MWA)isemployedasapreprocessingmethod
toraisetheSNRinadvance.andthenRBFNNisusedinthedynamicextractionofBAEP.Theperformanceof
RBFNNiSimprovedandmostusefuldynamicinformationofBAEPiSalsomaintained.SimulatedBAEp-noiseseries
withanSNRsetto.25dBiSconstructedtoevaluatetheefficiencyandfeasibilityofthiscombinedmethod.The
relativemeansquareeiTorbetweentheextractedBAEPandtheoriginalsimulatedBAEPiS19%,decreased6%than
onlyusingRBFINN.WhenweusetheMWAandRBFNNtoextracttherealBAEPreCOrdedfromapatientwith
brainstemfunctionaldisorder.asimilarwaveformtendencywiththe300?trialaveragedBAEPisobtained.I11is
drrnamicBAEPseriesisafoundationtothenonlineardynamicanalysisofbrainstem'Sfunction.
Keywords:brainstemauditoryevokedpotential;dynamicextraction;movingwindowavera
ge;radialbasisfunction
neuralnetwork
中图分类号11318.08文献标识码A文章编号0258—8021(2005)06—0681—04 收稿日期:2004—06.29,修回日期:2005—11-15.
基金项目:国家自然科学基金资助项目(60174041);天津市应用基础研究基金资助项目(043800311).
*通讯作者:E—mail:tianx@tijmu.edu.(211.
中国生物医学工程24卷
引言
听觉系统受到一定强度的声音刺激后,在约
lOms内产生的从听神经到脑干的一系列电位变化
被称为脑干听觉诱发电位(BrainstemAuditoryEvoked Potential,BAEP).BAEP在神经病学中有着广泛的
应用,尤其是它能反应脑干功能的动态特性".脑
于是"生命中枢",但又是"禁区",应用传统神经科学
的手段无法触及脑干,因此无创测取的BAEP是客
观反映脑干功能的有效信息.
BAEP在测取时"淹没"在自发脑电,肌电等背
景噪声中,信噪比很小,在一20dB,一25dB甚至更
低.目前临床上常用叠加平均法来提高信噪比,通
过成百上千次的叠加平均得到一个BAEP的平均波
形.但是由于每个单次BAEP的潜伏期,波幅和波
形都是不同的,这些动态差异对反映脑干功能又有
着很重要的意义,经叠加平均后得到的BAEP丢失
了大量有用的动态信息,无法用于对脑干功能动态
特性的研究.为了克服BAEP平均波形不能用于脑
干动态特性分析的弊病,文献[2]曾利用经过带通滤
波后的脑干听觉诱发响应(FilteringBrainstem
AuditoryEvokedPotential,FBAER)来研究脑干动态功 能状态,FBAER中虽然保留了大部分的BAEP的信 息,但是仍然混有很多噪声,而且滤波也不可避免地 滤掉了BAEP中部分有用的信息,因此从背景噪声 中单次(少次)动态提取的BAEP才是反映脑干动态 功能的理想信号J.
由于BAEP和其他诱发电位都是源于非线性的 神经系统,采用非线性的方法对诱发电位进行提取 是理想的方法,因此近年来诱发电位的非线性动态 提取成为研究的关注点.BAEP是诱发电位中信 噪比很小的典型,Fung等人用非线性的径向基函数 神经网络(RadialBasisFunctionNeuralNetwork,
RBFNN)对BAEP进行动态提取,Qiu等对该方法 又进行了比较和改进.但是他们的研究结果表 明:RBFNN对BAEP的提取性能与信号的信噪比有 关,对信噪比小的BAEP提取效果不令人满意. 由于实际测取的?昆有噪声的BAEP信噪比很 低,为了能用RBFNN进行动态提取以获得能描述脑 干动态功能特性的动态BAEP,本研究思路是先应用 移动窗口平均(MovingWindowAverage,MWA)对 BAEP序列通过动态少次平均进行去噪预处理,再 应用RBFNN对保留了大部分动态信息,又提高了信 噪比的信号进行非线性动态提取,改善了RBFNN的 性能,获得了反映脑干动态功能的动态BAEP序列. 1应用MWA和RBFNN非线性动态
提取BAEP
1.1移动窗口平均(MWA)方法
移动窗口平均(MWA)方法的核心是动态平均.使
参与平均的时间窗口在时域动态移动,这样既保留 了原BAEP序列中的大部分动态信息,又提高了信 噪比,使经过MWA的信号适用于RBFNN.MWA方 法简述如下:
设信号一噪声序列由?个长度为点的子序列 l,2,…,,…,
构成,其中Xl={1,…,f,
…
,}为第一个子序列(_『=1),依次类推_『=2,3, …
,?,{}为第?个子序列.m为参与平均的子 序列个数(m《?).
对第一个窗口中的第1,m个子序列进行平 均,得到一个经m次平均的MWA子序列,记为: 1
W1=(1+2+…+X)(1)
设窗口的移动步长为r,即向前移动r个子序列对 第(1+z-)到(m+z-)之间的m个子序列进行平均, 得到移动1步后的第2个子序列:
1
W2=(+r.2+…+X…)(2)
依次类推,对第k次平均得到的序列记为 1
Wk=((一1)+1+(一1)r+2+…+(一1)r+m) (3)
逐次以r为步长进行移动平均直到序列终止. 1.2自适应径向基函数神经网络(RBFNN)方法 径向基函数神经网络(RBFNN)是一种局部逼近 的人工神经网络,与多层感知器等全局逼近网络相
比,其收敛速度较快,适合进行非线性逼近.但是 为了保证RBFNN的有效性,对输人信号的信噪比有 一
定要求.本研究对经过MWA动态平均后,信噪 比已提高的信号用RBFNN进行动态提取. RBFNN结构共有三层:输人层由信号源节点组 成;第二层为隐含层,其中的节点个数由问题需要而 定;第三层为输出层.从输入层到隐含层的映射关 系是非线性的,而从隐含层到输出层的映射关系则 是线性的.RBFNN的网络结构如图1所示. 以径向基函数选用高斯函数为例,在第_『个节 点上的径向基函数.
()可以表示为:
()=exp(一ll一cill/a;),_『=1,2,…,
(4)
6期耿新玲等:脑干听觉诱发电位的非线性动态提取 )!
,,,\,2?
0)
0)——{-!
图1RBFNN结构示意图
其中是隐含层的节点个数;q是第个基函数的 中心;是第个基函数围绕中心点的宽度;ll一 c,ll是向量—cJ的范数,通常表示和c之间的 距离.RBFNN的输出,,是隐含层节点的线性加 权和:
Y=(),:1,2,…,R(5)
其中加为隐含层到输出层的权重.
应用经过MWA预处理后提高了信噪比后的 BAEP-噪声序列作为自适应滤波器的主输入端信 号,自适应滤波器的参考输入端是RBFNN的输出信 号,误差信号表示为两者之差,采用最小均方误差 (LeastMeanSquare,LMS)算法调节RBFNN隐含层到 输出层的权重加,因为噪声与BAEP不相关且噪声 的均方与权重加的调节无关,则算法收敛后 RBFNN的输出Y逼近主输入端信号中的BAEP 成分.
RBFNN和MWA综合应用,弥补了RBFNN对信 号信噪比要求的局限性,可以从信噪比为一25dB的 BAEP.噪声序列中动态提取出BAEP. 2BAEP动态提取的仿真
设计了仿真实验来验证方法的有效性.
首先仿真混有噪声的BAEP.考虑到BAEP潜
使单次BAEP仿真信号的初始相 伏期的变化因素,
位在?1%总时程(10ms)内随机分布,对应实际测取 的BAEP的绝对潜伏期变化在0.2ms内.在上述仿 真的BAEP上叠加高斯分布的自噪声,信噪比按实 际情况设为一25dB,得到BAEP.噪声仿真序列.再 用MWA和RBFNN方法对该序列中的BAEP进行仿 真非线性动态提取.
MWA的平均窗口长度m取10,移动步长r: 1,RBFNN的各参数选取同文献[6].图2是仿真的 BAEP-噪声序列.图3是动态提取的结果,从中可 见提取出的BAEP和原来的仿真BAEP信号很接近. 动态提取出的信号和原BAEP之间的相对均方误差 (RelativeMeanSquareError,RMSE)的均值约为 19%
馨
魁
骧
时间/ms
图2具有随机初始相位的仿真BAEP- 噪声序列,信噪比为一25dB
一
原仿真BAEP--BAEP.噪声序列
图3经MWA和RBFNN动态提取的信号 和原仿真BAEP对比
一
原仿真BAEP一经MWA和RBFNN动态提取的信号
为了说明本研究中采用的MWA的效能,图4 所示是仅用RBFNN方法对同一仿真BAEP.噪声序 列进行BAEP动态提取的结果.此时RMSE的均值 约为25.2%,可见应用了MWA以后,提取误差降低
对于应用MWA在其它信噪比情况下 6%以上.
的提取作用,将在讨论中说明.
>
5
\
.
一
5
氏M
时问/ms
图4仅用RBFNN动态提取的信号
和原仿真BAEP对比
一
原仿真BAEP一仅用RBFNN动态提取的信号 3实际测试的BAEP的动态提取
对多例脑干功能障碍的患者及正常对照组进行 了无创采集BAEP.关于动态采集的BAEP的非线 性动力学分析结果,将在另文中给出.在本研究中 以1例说明用MWA和RBFNN方法综合提取实际 BAEP的结果.图5是实际采集的含有噪声(信噪比 约为一25dB)的BAEP序列.用上述方法对BAEP进 行动态提取,图6是动态提取出的BAEP,与经300 次叠加平均后的BAEP波形进行比较,可以看出两 者的波幅,波形趋势都基本一致.
4结论
本研究提出并实施应用了MWA方法作为动态 预处理方法,将BAEP.噪声序列的信噪比从一25dB
中国生物医学工程24卷
主.幽
一L』—』—土—上——————————L———— 图5实际采集的含噪声的BAEP
垂.拌—_古—蠡__——————————— 图6经MWA预处理后,用RBFNN动态提取出的BAEP 一
30o次叠加平均后的BAEP一动态提取出的BAEP 提高到约一14.7dB,再用非线性的RBFNN方法对降 噪后的序列中的BAEP进行动态提取.为了验证方 法的可行性和有效性,构建了具有随机初始相位的, 信噪比为一25dB的BAEP.噪声序列,进行了仿真提 取.采用了MWA以后,提取出的BAEP与原仿真 BAEP之间的相对均方误差(RMSE)的均值由仅用
RBFNN时的25.2%降低到19%,因此采用MWA方 法既保留了BAEP的大部分动态信息,又改善了 RBFNN的提取性能.
用本研究方法动态提取实际采集的BAEP,提取 结果和平均的BAEP波形趋势相同,所获得的动态 BAEP序列为分析脑干功能动态特性的非线性动力 学研究打下了基础.
5讨论
本研究综合应用MWA和RBFNN方法在信噪 比很小(例如对实际BAEP信噪比为一25dB)的情况 下进行BAEP的动态提取,MWA动态平均提高了原 信号的信噪比,使RBFNN方法适用于BAEP的动态 提取.
为了进一步研究MWA的作用,研究了在初始 信噪比较大(如设为一10dB)的情况下,用本研究所 述的方法提取BAEP.噪声仿真序列中的BAEP.用 MWA和RBFNN方法,RMSE约为2.1%,如果直接 用RBFNN进行动态提取,RMSE约为2.5%.由此 可见,在信噪比较高的情况下,RBFNN的性能很好, 此时就没有必要再用MWA做预处理.
另一方面,对于信噪比更低于一25dB(如设为 一
30dB)的情况,用MWA结合RBFNN的方法最终提 取的信号与原仿真BAEP相比,相对均方误差RMSE 约为56%,虽然与不用MWA只用RBFNN时的误差 77%相比,已经降低了21%,但此时所提取出的 BAEP动态序列中仍包含了大量的噪声,还需要寻 求其它的方法来进一步去除噪声.
参考文献
[1]潘映辐.临床诱发电位学[M].第二版.北京:人民卫生出
版社,2000.
[2]田心,陶华英,宋毅军,等.婴儿痉挛症脑干信息传导障碍的
混沌学研究[J].生物物理,2001,17(1):91—97.
[3]NishidaS,NakamuraM,SuwazonoS,el0j.Aut0啪cdetection
methodofP300waveforminthesinglesweeprecordsbyusing neuralnetwork[J].MedEngPlays,1994,16:425—429.
[4]ZoufidakisG,Jansen,BH,BoutrosNN.Afuzzyelusteri"g approachtoEPestimation[J].IEEETransBiomedEng.1997,44 (8):673—680.
15JEffernA,LehnertzK,GrunwaldT,ela1.Nonlineardenoisingof transientsignalswithapplicationtoevent-relatedpotentials[J]. PhysicaD,2000,140:257—266.
16JFungKSM,ChartFHY,LamFK,ela1.Atracingevokedpotential estimatorlJ].MedBiolEngComput,1999,37(2):218—227.
17JQiuW,FungKSM,ChanFHY,ela1.Adaptiveflitengofevoked potentialswithradial-basis-functionneuralnetworkprefilter[J]. IEEETransBiomedEng,2002,49(3):225—232.
18JGhoshJ,NagA.Anoverviewofradialbasisfunctionnetworks lAJ.In:HowlettRJandJainLCeds:RadialBasisFuncti0n NeuralNetworkTheoryandApplications[C],Physica.ved职,
2()0n