IEEE trans:基于人工智能的意识状态测量系统的设计

评估意识状态是神经科学家、心理学家和麻醉师的关心的问题。 意识丧失（LoC）可能由药理学（麻醉）、病理学（昏迷）、创伤性（意识障碍）或生理学（睡眠）因素引起 全身麻醉、昏迷和最低意识状态（MCS）与不同的意识水平和内容相关。在昏迷病人中，意识水平低于全麻病人，远低于MCS或清醒意识正常（NWC）病人。MCS和NWC的意识水平相似 。而昏迷患者的意识维度（意识内容）低于全麻，远低于MCS，甚至低于NWC 。然而，在临床实践中，仍然没有有效的工具或“意识量表”来区分这两个维度的意识状态。许多理论解释了意识改变的状态，如复杂性理论、综合信息理论 、脑震荡中的长程时间相关性（LRTC） ，以及皮质和丘脑皮质系统的功能和有效连接。 迄今为止，还没有对这些意识状态改变的内在机制进行系统的研究。 因此，本研究以额叶脑电的测量和识别来区分意识状态。分析识别了昏迷，全身麻醉，MCS和NWC。

许多研究采用非线性分析方法来描述脑电。熵、去趋势波动分析（DFA）等等都被用来量化意识。具体来说，如近似熵（ApEn）、样本熵（SampEn）和置换熵（PE）等指标。在这些测量中，SampEn和PE在评估DoA 、睡眠 和意识障碍（DoC）等领域很常见。 在这项研究中 使用四个非线性指标PE、SampEn、PLZC和DFA来分析四种意识状态，每个指标反映了不同的EEG特征。本研究建立了一个基于多参数测量的意识识别系统。基于遗传算法的支持向量机（GA-SVM）结合多个指标对意识状态进行分类。 

研究对象被分为以下几组：（1）清醒期健康志愿者(2） MCS患者(3） 全麻期间健康志愿者；（4）昏迷病人。18名健康志愿者，用于正常清醒状态下的脑电图采集。MCS患者19例。全身麻醉15例。18例昏迷患者。在EEGLAB（12.0.2.5b版）中实现脑电预处理。采用遗传支持向量机作为分类器，这是一种改进的分类方法，将遗传算法和支持向量机相结合，基于非线性测度对意识状态进行分类。此外，还比较了GA-SVM方法与其他两种机器学习方法（1）神经网络和（2）随机森林算法的性能。

算法流程图

本研究探讨了NWC、MCS、昏迷状态和全身麻醉的功率谱和非线性动力学特性的差异。采用非线性方法（PE、PLZC、SampEn和DFA）和基于功率谱的RP提取额叶脑电信号特征。基于脑电特征，采用遗传支持向量机对意识状态进行分类。基于这些特征，采用多元回归模型构建了“意识量表”。结果表明，将PE、PLZC、SampEn和DFA的多维特征与GA-SVM相结合，是一种很有前途的状态判别方法。主要研究结果如下：（1）多波段RP空间表明，不同的意识状态具有不同的光谱模式。δ能区分昏迷和其他意识状态，γ能指数与意识水平一致(ii）作为一种非线性测量，PE最能区分意识状态。SampEn和PLZC不能区分全麻和MCS。DFA不能区分昏迷和NWC。总体而言，PE对意识变化的敏感性高于其他指标(iii）PE指数能在觉醒维度（意识水平）区分意识状态，而SampEn和PLZC沿着意识维度（意识内容）区分意识状态(iv）多维非线性特征（PE、PLZC、SampEn和DFA）与GA-SVM相结合最能区分所有指标中的意识状态(v） GA-SVM比随机森林和BP神经网络更能区分意识状态(vi）意识水平和内容可通过PE、PLZC、SampEn和DFA导出的多变量回归模型进行预测。这意味着这四个非线性指标可以为临床意识评估提供依据。

脑电记录及其多维测量

非线性动力学是研究神经系统的一个重要视角。神经振荡的相互作用产生了复杂的神经动力学。它们对认知功能也至关重要。。非线性测量可以描述潜在大脑状态的动力学特征。一些非线性模型也被用来研究意识状态，如昏迷、全身麻醉和睡眠。非线性的方法比线性的频谱分析方法更能区分二维意识。这表明这些非线性测量可以更好地表征脑电系统在不同意识状态下的性质。意识水平与大脑皮层的局部信息加工有关，这种加工可以用PE来衡量。同时，结果显示意识（觉知）的内容与SampEn相关。这表明意识的内容与大脑系统的不规则性和可预测性有关，这些特征可以用SampEn来衡量。

总之,非线性测度PE、SampEn、PLZC和DFA与GA-SVM分类器相结合是区分意识状态的最佳方法。同时，这四种脑电特征结合多元回归模型可以对意识内容（觉知）和意识水平（觉醒）进行评价和预测。 非线性特征结合多元回归模型可以作为探索意识机制的新工具。它也可以作为临床评估的“意识测量系统”。

Z. Liang et al., "Constructing a Consciousness Meter Based on the Combination of Non-Linear Measurements and Genetic Algorithm-Based Support Vector Machine," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 2, pp. 399-408, Feb. 2020, doi: 10.1109/TNSRE.2020.2964819.