基于fNIRS技术对中风后患者的同时进行多生理异常指标分析及早期检测

《Biomedical Signal Processing and Control》：Concurrent multi-physiological anomaly profiling and early detection for post-stroke based on fNIRS

　　

李春风|颜伟|曲伟|朱玉飞|苏敏

江苏省苏州大学体现智能与机器人学重点实验室，中国江苏省苏州市215000

摘要

目前关于急性中风阶段深度生理生物标志物挖掘和有效识别模型的研究仍显不足。本研究旨在探索急性中风中多生理频段信息的协同异常，以确定深度病理生物标志物并开发有效的检测模型。我们招募了42名上肢瘫痪的急性中风患者和42名健康对照组，在执行手指对鼻子任务时使用功能性近红外光谱（fNIRS）收集脑血流动力学信号，分析不同生理频段之间的差异。同时开发了一个轻量级的图注意力网络模型。结果表明，在任务状态下，与健康对照组相比，患者的神经生成频段的平均节点度、聚类系数和网络密度显著降低（p < 0.01），具体表现为辅助运动区、右侧前运动皮层与其他脑区之间的功能性连接减弱（p < 0.01）。在静息状态下，这种差异模式转移到了肌源频段。相反，在呼吸和心脏频段，患者在整个实验期间表现出持续升高的网络属性（p < 0.01），其特征是左侧感觉运动皮层与其他脑区之间的连接显著增强（p < 0.01）。该模型在中风识别方面的准确率为72.5%，精确率为74.1%。这项研究表明，我们的模型能够初步检测出急性中风，跨生理频段观察到的动态的、状态特定的脑网络功能障碍模式可能作为急性中风的系统性生物标志物，值得进一步研究。

引言

中风作为一种发病率较高的急性脑血管疾病，已成为全球主要的死亡和身体功能障碍原因之一[1]。研究表明，准确的急性期评估可以显著降低残疾率和死亡率[3]，这突显了有效中风干预的时间紧迫性[4]。然而，当前的中风评估主要依赖于患者的主观报告和临床成像[5]，缺乏深度生理生物标志物的探索和实时计算模型进行有效监测。因此，在急性期识别深度病理生理机制相关的生物标志物，并开发及时有效的中风后早期监测和评估方法，已成为克服临床治疗瓶颈的迫切需求。

目前，功能性近红外光谱（fNIRS）由于其便携性和较强的抗干扰能力，已被广泛应用于中风后脑功能评估的研究中[6]。常用的研究方法包括对fNIRS数据进行处理，并在完整频段内进行分析[8]以识别生物标志物[9]。一些研究团队发现，中风患者两侧大脑前额叶皮层在运动输入下的激活不平衡可能与临床运动功能有关[10]，而中风后抑郁症患者的额叶和颞叶激活强度显著降低[11]，这初步证明了这种方法在分析脑活动模式和寻找生物标志物方面的有效性。然而，这类分析通常基于通过宽带滤波器过滤的信号，未能区分其中不同生理信息的振荡成分。研究表明，来自不同生理来源的振荡信号在频谱中表现出不同的分离特性[12]。例如，与神经活动相关的振荡主要位于0.02–0.06 Hz的低频带，与肌源活动相关的振荡集中在0.6–0.18 Hz的频段，而与呼吸相关的振荡与0.18–0.7 Hz的频段相关[13]。这些成分在频谱中有特定的分布，可能携带有关中风后不同病理生理过程的信息[14]。传统的分析方法无法区分这些混合信号，因此难以确定中风是否选择性地影响特定生理系统，从而限制了我们对异常脑网络机制的深入理解。

在中风分类研究领域，基于fNIRS数据的中风识别分析已取得了一定进展，有研究发现逻辑回归[15]和支持向量机（SVM）[16]可以有效检测中风患者。这些模型为临床康复评估提供了初步工具。然而，大多数基于fNIRS数据的中风识别研究主要集中在患者的慢性恢复阶段[17]，而在急性阶段的研究相对较少。此外，目前的分类方法主要依赖于传统的机器学习[18]，特征大多是手动提取的单频段参数。由于脑疾病在图论方面的固有优势[19]，使用图神经网络（GNNs）进行脑疾病识别开始受到关注[20]，研究团队在使用GNNs识别精神疾病方面取得了显著的识别率[22]。尽管GNNs在处理图结构数据方面具有固有的优势，但在急性期使用GNNs进行fNIRS数据的中风早期识别方面的研究仍然很少。

因此，为了解决急性中风后早期多频段生理信号异常缺乏深入分析以及这一关键时期缺乏有效神经网络分类模型的研究空白，本研究旨在利用fNIRS技术深入探究中风急性期多生理频段信息的同步异常，以识别急性中风的病理标志物，并提出基于图神经网络的有效中风检测方法。研究假设是：急性中风患者在多种生理状态下表现出协同异常，利用多频段分析下的脑连接性和属性分析方法可以解码这种异常模式。此外，基于多频段生理特征的图神经网络模型可以实现急性中风阶段的分类，从而促进中风急性期多生理机制分析和识别的开创性探索。

节选

主题

使用G*Power软件（版本3.1.9.2）[23]来确定实验所需的样本量以保证可靠性。参数设置如下：显著性水平α = 0.05，效应量 = 0.8，统计功效 = 0.9。在双尾独立样本t检验下，分析得出每组需要34个个体的样本量。因此，如表1所示，我们选择了第四附属医院康复医学科收治的80名中风患者

脑功能网络连接性

在频率带I（0.01–0.02 Hz）中，图4展示了脑区连接性模式。与健康组相比，中风患者在任务状态下左侧半球的连接性显著增加，尤其是在SMCL区域（p < 0.001），同时右侧半球的连接性显著降低，尤其是在PMCR区域（p < 0.001）。这种半球连接性的差异在静息状态下更为明显

讨论

脑功能网络连接性在全脑区域间信息传递中起着关键作用[35]。不同频率带所代表的生理信息的特异性是研究中风病理机制和评估后续治疗效果的重要指标[36]。我们的发现表明，中风会在多个系统同时引起生理异常，而基于fNIRS的图神经网络模型能够

结论

本研究调查了中风患者和健康对照组在执行手指对鼻子任务时的脑功能网络连接性和拓扑特性，并开发了一个轻量级的图神经网络模型用于中风识别。结果表明，在任务状态下的神经频段内，中风患者的整体网络连接性显著降低，而在呼吸和心脏频段这种模式则相反。

CRediT作者贡献声明

李春风：撰写——原始草案、方法学、研究。颜伟：撰写——审稿与编辑、撰写——原始草案、验证、方法学、研究、资金获取。曲伟：撰写——审稿与编辑、验证、监督、软件、资源、正式分析。朱玉飞：撰写——原始草案、可视化、监督、资源。苏敏：撰写——审稿与编辑、验证、资源、研究。

利益冲突声明

作者声明在研究过程中不存在任何可能被视为潜在利益冲突的商业或财务关系。

致谢

本工作得到了江苏省社会发展项目（BE2023733）和苏州老年智能护理与健康保障重点实验室项目的支持。我们对此表示衷心的感谢。