动态脑电在康复中的实际应用

1、.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。脑电图是将人体脑组织生物电活动放大记录的

2、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

3、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：(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

4、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

5、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

6、有40Hz脑电事件相关电位(40Hz ERPs)、事件相关电位(N100、N200、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、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

7、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

8、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，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。2.2在脑瘫患儿康复中的

9、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AEEG异常率越高。BAEP是由声刺激引起的神经活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29。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

10、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 DesynchronizationSynchronization，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E

11、RS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 interface，BCI)系统设计中往往使用ERD与ERS作为关键性的触发参数31。近几年，基于无创EEG信号的脑-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，Hammon和Makeig等人通过提取无创EEG信号中的有 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信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

12、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信号和真实运动轨迹，建立EEG信号和手运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 35。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

13、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

14、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

15、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

16、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际上就是随意控制脑电活动。常用波和波作为反馈信息，用声和光等反馈号指示波的出现，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。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

17、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； Suetsugi43等研究表明，强化脑电活动中波的活动，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

18、系统的限制，使得无法实时地获得更高时间分辨率的信号，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

19、究者需要一个高度跨学科的、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, 199

20、5, 14(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 S

21、leep Spindles Using Higher Order Statistics and Spectra J. IEEE Transactions On Biomedical Engineering, 2000, 47(8): 9971009. 6 J. Fell, J. Rschke, K. Mann and C. Schaffner. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures. Electroencephalogr J. Clin. Neurophy

22、siol,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-Woerkom T C, Pritchard W S. Use of non-linear EEG measures to characterize EEG changes during mental activity J. Electroencephalography and Clinical Neuroph

23、ysiology,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. Electroencephalo

24、gram analysis with approximate entropy to help in the diagnosis of Alzeimers disease C. In: Proc of the 4th Annual IEEE Conf on Information Technology Applications in Biomedicine, UK, 2003: 222-225. 12 R. Bellotti, F. De Carlo, M. de Tommaso, M. Lucente. Classification of spontaneous EEG signals in

25、migraine J. Physica A,2007,382:549556.13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：/wwwstdailycom/)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，Kovari E，et a1Eleetmphysiologicalmark

26、ers of rapid cognitive decline in mild cognitive impairmentFront Neurol Neumeci，2009，24：39-4617Simts LL，Liedorp M，Koene T，et alEEG abnormalities BM associated with different cognitive profiles in Alzheimers diseaseDement Geriatr Coga Disord201131：1-618Liedorp M，Hoogervorst EL，Schehens P，et a1Associa

27、tions between patterns of EEG abnormalities and diagnosis in alarge menory clinic cohortDement Geriatr Cogn Disord，2009，27：18-2319Baker M，Akrofi K，Schiffer R.et a1EEG patterns in mild cognitive impairment patientsOpen Neuroimag J，2008，2：52-5520van der Hiele K，Vein AA，Kramer CG，et a1Memory activation

28、 enhances EEG abnormality in mild cognitive impairmentNeurobiol Aging，2007，28：1-921 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.2012,34,6:453-455.23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)：122-124 24Francesca I

29、，Cavallaro，Immacolata Cacace，et alHypontizability related EEG alpha and theta activities during visual and some sthetic imageriesJNeuroscience Letters，2010，470(1)：13-1825Rony-Reuven Nir，Alon Sinal，Einat Raz，et a1Pain assessment by continuous EEG：Association between subjective perception of tonic pai

30、n and peak frequency of alpha oscillations during stimulation and at restJBrainResearch，2010，1344：77-86 26Benedikt Zoefel，Rene JHuster，Christoph SHerrmanrL Neuro feedback training of the upper alpha frequency band in EEG improves cognitive performanceJNeuroimage，2011。54(2)：1427-143127李洁，安博，崔玮a脑电波音乐对

31、中学生记忆的改善作用 J中国心理卫生杂志，2012，26(4)：28328628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 Linchuang Zazhi，1987，2（6）：308-309.30 Florian G,Pfurtscheller G.Dynamic spectral analysis of eventrelated EEG data J.El

32、ectroenceph 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)：4-932 Hammon P S, Makeig S, Poizner H, et al. Predicting reaching targets from human EEG. Signal Processing Magazine, IEEE, 2008, 25(1): 69-77. 33 Waldert S, Preissl H, Demandt E, et al. Hand move

33、ment 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 kinematics from electroencephalographic signalsC/Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual Intern

34、ational 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-computer interfaces (B