本篇学习报告来源：《eeg complexity correlates with residual consciousness level of disorders of consciousness》(sci q3，if:2.3809)。文章发表在《bmc neurology》上，作者是来自西安第四军医大学的yangfeng liu等人。作者测试了脑电图测量的神经复杂性和doc患者的残余意识水平之间的关系。

学习报告：脑电图复杂性与doc患者的残余意识水平的相关性分析-k8凯发旗舰

基于标准化行为的对doc患者意识的评估结果常常被运动功能受损、兴奋性波动或其他合并症所误导。因此，利用神经影像学技术来指示doc 患者的残余意识可以成为行为评估的重要补充。lempel–ziv 复杂度 (lzc) 是一种经典的复杂度度量，广泛用于各种应用中。最近研究发现lzc与昏迷患者和麻醉患者的功率密度谱分布显着相关。然而，lzc很容易受到噪声的影响，并且对于相当粗糙的粗粒度过程会丢失很多信息。而通过基于排列方法的plzc改进了 lzc 的粗粒度过程发明了一种新的索引，可以在高噪声中表现更好。本研究的目的是探讨 plzc 与 doc 患者意识水平的相关性。

测量了plzc与doc患者的残余意识水平之间的关系，结果表明plzc 与 doc 患者的意识具有全局相关性。在捕捉 vs/uws 和 mcs 之间的神经差异方面，plzc 在群体水平上的表现优于 lzc。

一、doc患者和健康对照

25名患者进行实验，临床信息如表1所示。

表 1，患者临床数据表

二、crs-r评估

根据 1 周内重复 crs-r 的最佳表现建立临床诊断。它是一种经过标准化和验证的量表，用于评估严重脑损伤患者的残余意识水平。 crs-r 由六个分量表（听觉、运动、视觉、口头运动/语言、交流和唤醒）组成，每个分量表都包含越来越复杂的项目，可以检测细微的意识信号（mcs）或功能交流或对象使用 (emcs)。

三、脑电采集与预处理

从标准国际10-20系统中排列的 62 个头皮通道连续获取eeg数据。采样率为 1 khz。在脑电图采集过程中，受试者保持清醒（睁眼）。当观察到困倦迹象（长时间闭眼）时，应用 crs-r 觉醒促进方案。皮肤到电极的阻抗保持在 5 kω 以下，而采样率设置为 1 khz。

eeg 数据的预处理包括五个步骤：（1）识别和删除由不自主运动（例如，移动）引起的异常 eeg 片段。包括咳嗽和咬人）； (2) 将 eeg 数据过滤到 1 到 45 hz 之间的带宽，并通过 50 hz 陷波滤波器去除线路噪声； (3) 将 eeg 数据下采样到 500 hz； （4）使用独立成分分析（ica）功能去除眼动和肌肉激活伪影； (5) 将无伪影的 eeg 数据切割成 10 s 的 epoch，重叠度为 50%； (6) 选择 25 个 epochs 并对它们进行平均参考。

四、permutation lempel–ziv 复杂度（plzc）

plzc 中的粗粒度过程基于排列。顺序模式用于将原始 eeg 信号转换为符号序列。如图1所示，每个 eeg 时期被从左到右分成长度为 m 和间隔为 τ 的片段，用于后续排列。例如，在以sn为样本点的序列{s(n)}= s₁s₂s₃s₄s₅s₆s₇中，当 m = 3 和 τ = 2 时，段是s₁s₃s₅、s₂s₄s₆和s₃s₅s₇。每个段的顺序模式是通过根据样本点的值排列样本点来确定的。在数值相等的情况下，后一个样本点被认为更高。每个模式被称为motif并用整数索引。因此，长度 m 决定了可能的图案数量作为 m 的阶乘。很容易看出，不同的 m 和 τ 会产生不同的段和模式。在这项研究中，我们选择 m = 3 和 τ = 1。在分割和排列程序之后，eeg 时期被转换为基序索引的符号序列。

图1，信号到符号序列变换的排列处理。 (i) 当 m = 3时可能的基序。(ii)信号被分割成基序。 (iii)中信号的符号序列。

然后，根据 lzc复杂度和主要解析方案计算复杂度。

第 1 步：将原始信号转换为由基序索引组成的有限符号序列 {x(n)}。

第 2 步：将复杂度指数c(n)初始化为1，表示序列中创新串的个数。分别生成 s 和 q 作为第一个和第二个符号。

第 3 步：将 s 和 q 连接成字符串 sq。删除 sq 的最后一个符号成一个新的字符串sqv

第 4 步：判断q是否已经到达{x(n)}的终点，如果到达则转第8步。

第 5 步：检查 q 是否是 sqv 的子串。在肯定的情况下转到第 6 步，在否定的情况下转到第 7 步。前者表明 q 不是创新字符串。

第 6 步：保持s不变，将下一个符号连接到q作为新的q。转至第三步再次进行比较。

第 7 步：将c(n)增加1。将第四步中的sq设置为新的s，将下一个符号设置为新的q。转至第三步，比较新的sqv和q。

第 8 步：经过反复的比较过程，{x(n)} 现在被解析为 c(n) 个创新字符串。然后我们用它们的排列索引对所有这些创新的字符串进行编码。代码序列的长度因此计算为l(n)：

l（n）的原因是，当字母表的大小为m! 时，我们需要加1位来编码每个字符串的前缀和最后一个符号。然后，plzc输出被定义为l（n），由符号序列的长度n归一化：

当n非常大的时候，，公式(2) 可以进一步简化如下：

上文中的程序是在患者和健康对照的个体 eeg 时期进行的。

五、lzc

lzc 的计算与 plzc 相同，只是粗粒度过程不同。 lzc 的粗粒度过程是二分法的并且基于阈值。值高于或等于阈值的数据点被认为是符号 1，其他的被认为是符号 0。在本研究中，我们选择每个 epoch 的中值作为阈值

六、统计数据

全局平均 lzc 和 plzc 是通过对所有 eeg 电极的值进行平均计算的。 vs/uws、mcs 和健康对照之间的全局 lzc 和 plzc 的显着性使用 mann-whitney 检验和 bonferroni 校正进行多重比较测试。pearson 线性相关应用于全局平均 lzc 和 plzc 与 doc 患者的 crs-r 评分之间的相关性分析。

基于 eeg 电极定义​​了五个大脑感兴趣区域：前沿、中央、左侧、右侧和后部。每个大脑区域中电极的 plzc/lzc 值被平均以表示局部复杂性。 pearson 线性相关用于局部平均 lzc 和 plzc 与 doc 患者 crs-r 评分之间的相关性分析。然后，使用电极水平的 mann-whitney 检验比较组对之间 lzc 和 plzc 的差异。错误发现率 (fdr) 用于多重比较校正。

健康对照组的整体 lzc 显着高于 mcs（0.395 ± 0.037 对 0.269 ± 0.064，p < 0.001），并且在 mcs 和 vs/uws 之间没有发现显着差异（0.269 ± 0.064 对 0.212 ± 0.042， p = 0.355）。总体 plzc 的差异在健康对照与 mcs（0.913 ± 0.027 与 0.857 ± 0.036，p < 0.001）和 mcs 与 vs/uws（0.857 ± 0.036 与 0.806 ± 0.039，p = 0.001）中均显着，如图2所示。

图2， mcs、vs/uws和健康对照之间 plzc/lzc 的全局平均值箱线图。 *** 表示差异显着，p < 0.001； ** 表示 boferroni 校正后 p < 0.01 的显着差异。

全局平均 plzc 值显示与 crs-r 分数显着相关（r = 0.54，p = 0.005）。 lzc 与 crs-r 评分呈正相关趋势但无显着性 (r = 0.24, p = 0.252)（见图3）。在局部水平，除中枢外所有定义的大脑区域的平均 plzc 值显示与 crs-r 值显着相关（如图4）。其中，前部 (r = 0.68，p < 0.001) 和后部 (r = 0.61，p < 0.001) 区域的 plzc 与 crs-r 评分的相关性高于左侧 (r = 0.41，p = 0.04)和右侧 (r = 0.58, p < 0.001) 大脑区域

图3，全局平均 plzc (a) 和 lzc (b) 与 crs-r 的 pearson 相关性。黑色显示vs/uws 患者，红色显示mcs)患者。

图4，脑区 plzc 与 crs-r 的 pearson 相关性。 (a) 已识别大脑区域的通道。 (b–f) 每个大脑区域的平均 plzc 与 crs-r 的相关性。

图 5 显示了 lzc 和 plzc 在 mcs、vs/uws 和健康对照的电极水平上的组平均顶部图。健康对照显示总体上明显高于 doc 患者的 plzc 和 lzc 值。 mcs 前后区域的 lzc 和 plzc 值高于 vs/uws。统计分析表明，健康组与doc组、mcs组与vs/uws组之间lzc和plzc值的显著差异主要位于前部和后部区域。plzc突出了成对比较组中比lzc更显著的不同电极。

图5，plzc (a) 和 lzc (b) 在mcs、vs/uws和健康对照中的组平均值顶部图。颜色条显示 plzc 和 lzc 值；深红色表示高值，深蓝色表示低值。 (c) fdr 校正后组对之间 lzc/plzc 值明显不同的电极（红点）。

分析doc的eeg时plzc是一种方法。

分享人：梁容铭

导师：潘家辉