脑电多尺度熵与医护人员疲劳的关系研究
2019-11-19陈泽龙林少炜张少涵张振昌陈自谦
陈泽龙，林少炜，张少涵，张振昌，陈自谦*
（1.联勤保障部队第900 医院医学影像中心，福州350025；2.福建医科大学，福州350122；3.福建农林大学，福州350002）
0 引言
疲劳是一种主观不适感，是对有机体的工作能力逐渐减弱的警告而形成的一种自我保护状态。疲劳会影响个体的身体、认知和情绪，从而降低工作效率[1]。由于医疗工作的专业性和特殊性，医护人员是过度疲劳的高危人群之一[2-3]。医护人员疲劳容易造成医疗事故，而医护人员的工作与患者生命有着密切关系，因此研究医护人员疲劳的检测方法具有非常重要的意义。
目前，医护人员疲劳的检测主要使用各种疲劳量表[4-5]，这种检测方式具有较强主观性，且对不同条目的理解各有不同，导致基于量表的结果往往不太令人满意。有学者研究表明，疲劳过程的产生往往与大脑皮质区电位息息相关，脑电信号直接表征了大脑皮层的神经活动状态，因此可以用脑电信号来客观评估疲劳情况[6-7]。与传统精神疲劳测定方法比较，采用脑电信号分析方法测定精神疲劳可定量化，具有较强客观性[8]。目前有多种方式可以对脑电信号进行特征提取，但脑电信号是神经元动作电位无规则活动，具有非线性性和混沌性，因此近来基于非线性动力学系统的特征提取受到越来越多的关注[9]。样本熵（sample entropy，SE）是通过度量信号中产生新模式的概率大小来衡量信号序列的复杂性，而多尺度熵（multiscale entropy，MSE）可对数据进行粗粒化处理，计算不同粒度下的样本熵，具有较好的抗噪声和抗干扰效果[10-11]。本文对不同疲劳状态下的医护人员脑电数据进行多尺度熵分析，旨在对医护人员职业疲劳评估提供参考。
1 研究对象与方法
1.1 研究对象
选取本院护理人员30 名，均为健康成年女性，年龄20～38 岁，平均年龄（25±2.6）岁。本研究选取护理人员作为研究对象主要考虑护理人员数量较多，便于数据采集；同时临床护理人员值夜班，疲劳现象比较明显，特征比较突出。
1.2 研究方法
1.2.1 脑电信号采集
采用美国NeuroSky 公司生产的Mindwave 系列单通道便携式脑电采集设备进行脑电信号采集，干电极置于前额叶FP1 处，耳垂电极为参考电极，采样频率512 Hz，可获得包含脑电原始电压值、时间戳等数据的Excel 数据表。采集脑电数据时研究对象端坐闭眼，每次采集时间约为3 min，一般采集3次数据，每次采集所得Excel 数据表包含9 万多条数据。
1.2.2 脑电信号预处理
应用奇异谱分析（singularspectrumanalysis，SSA）[12]对采集后的脑电信号进行去噪处理（如图1 所示）。该方法利用对相空间的分解和重构来实现原始信号成分识别。在重构步骤中，可以通过对信号成分进行分组以实现信噪分离，从而完成对原始信号的降噪处理，即将原始信号X 表示为有用信号S 和噪声N之和（X=S+N）。其中有用信号由较大的r 个奇异值给出，体现了信号的主要能量，而剩下的较小奇异值被认为是噪声成分。基于SSA 的信号去噪方法对噪声频谱分布不敏感，具有自适应降噪的效果。在本文中，根据文献推荐[12]，SSA 中的窗口长度取序列长度的一半，而奇异值数目r 取奇异值和占比达到90%的个数。
图1 脑电信号去噪前后对比图
1.2.3 FS-14 疲劳量表
FS-14 疲劳量表是英国的Chalder 等专家于1992 年共同编制的[4]。FS-14 疲劳量表包含14 个条目，分为2 类：一类是体力疲劳，有8 个条目：（1）是否感觉周身不适、腿脚发软；（2）是否需要休息；（3）是否感觉困倦；（4）是否感觉动作笨拙；（5）是否感觉难以继续做事；（6）是否感觉浑身无力；（7）是否感觉肌肉无力；（8）是否想躺下休息。另一类是精神疲劳，有6 个条目，分别为：（1）思想是否难以集中；（2）是否思路不清晰；（3）是否容易做错事；（4）是否感觉表述比较困难；（5）记忆力是否下降；（6）是否对事物冷淡、不感兴趣。每个条目分值为1 分，符合得1 分，否则得0 分，最高得分为14 分，分值越高反映被测对象越疲劳。
研究对象采集脑电数据之前均首先填写FS-14疲劳量表，量表得分作为评价疲劳程度的依据。
1.2.4 多尺度熵基本理论
样本熵是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性越大，样本熵的值越大。多尺度熵是在样本熵的基础上引入尺度因子，分析信号在不同尺度因子下的复杂性[10]。其算法包含序列粗粒化和样本熵计算两部分，具体如下：
（1）给定原始离散序列{x1，x2，…，xn}和尺度因子k（k=1，2，…），构造粗粒化序列{yj（k）}，计算公式如下：
粗粒化后的序列长度为原始序列长度除以尺度因子k，当尺度因子为1 时，就是原始序列。
（2）给定相似度阈值r，计算粗粒化后序列{yj（k）}的样本熵，具体步骤如下：
①重构m 维向量y（1），y（2），…，y（n-m+1），其中向量
②计算任意2 个重构向量y（i）、y（j）的距离d（y（i），y（j）），距离定义为2 个向量中对应位置元素最大差值的绝对值。
③以y（i）为匹配模板，计算任一向量y（j）（j≠i）与模板的匹配概率公式如下：
其中I（·）为指示函数。
④计算平均相似率Bm（r），公式如下：
⑤按步骤①～④计算m+1 时的平均相似率Bm+1（r）。
⑥样本熵定义为
在本文中，比较向量长度m 取2，相似度阈值r取0.2×std，其中std 为原始序列的标准差。
1.2.5 统计学分析
把每个研究对象每次采集的脑电数据分成3段，每段含有连续的30 720 个数据点，分别计算其多尺度熵值，然后利用混合线性模型计算各尺度熵的组内相关系数（intraclass correlation coefficient，ICC）。各尺度熵与FS-14 疲劳量表得分的相关关系分别采用Pearson 相关分析和典型相关分析，P＜0.05 表示差异有统计学意义。使用统计软件R 3.5 完成所有数据预处理和统计分析。
2 结果
2.1 调查对象疲劳状态
本次调查对象FS-14 疲劳量表得分范围为0～14 分，其均值为6.32 分，标准差为4.22 分。
2.2 多尺度熵测量值的稳定性
各尺度熵值的组内相关系数在0.759～0.855，均大于0.75，提示各尺度熵具有良好信度，其测量值稳定性较好（如图2 所示）。
图2 各尺度熵的组内相关系数
2.3 各尺度熵值与FS-14 疲劳量表的相关关系
将各尺度熵值与FS-14 疲劳量表得分进行相关分析，结果显示：FS-14 疲劳量表得分与各尺度熵值呈负相关，其相关系数在-0.376～-0.158，属于中低程度相关（如图3 所示）。随着尺度增加，其熵值与FS-14 疲劳量表得分的线性相关程度越来越弱。经统计检验，尺度1 到尺度8 的相关系数有统计学意义（P＜0.05），而尺度9 及以后的各尺度的相关系数无统计学意义（P＞0.05）。
图3 各尺度熵与FS-14 疲劳量表得分的相关系数
2.4 多尺度熵值与FS-14 疲劳量表的典型相关分析
把15 个尺度熵当成多尺度熵因子，将其与FS-14 疲劳量表进行典型相关分析。结果表明，第一个典型相关系数为0.700（P＜0.001），提示由15 个尺度熵值构成的因子与FS-14 疲劳量表得分具有较高程度线性相关。第一典型因子在各尺度熵上的系数分别为2.770、5.270、-9.508、8.944、-0.419、-5.935、3.786、1.058、-2.822、0.724、0.682、1.789、-2.937、-0.897 和1.448。第一典型因子在各尺度熵上的系数绝对值除了尺度5 较小，其他都较大，提示各尺度对第一典型因子有所关联。
3 讨论
由于医疗行业的特殊性，医护人员工作时间长，劳动负荷大，容易出现疲劳状态，导致工作效率降低，甚至引发医疗事故等各种问题[2]。为了比较客观地检测医护人员的疲劳状态，本文探讨了医护人员疲劳与脑电信号特征的关系。
样本熵表征了信号的复杂性，是脑电非线性特征的一种衡量。多尺度熵将样本熵扩展到多个时间尺度，以便在时间尺度不确定时提供额外的观察视角。ICC 是衡量和评价测量稳定性的信度系数[13]。本文各尺度熵的ICC 均大于0.75，提示各尺度熵信度良好，具有测量稳定性。
脑电信号是脑神经细胞电生理活动在大脑皮层的总体反映，其特征与人体多种精神状态密切相关[14-15]，因此复杂度降低可能是病理性动力学的潜在表现。本文验证了此假说，各尺度熵与疲劳量表得分呈负相关，即随着疲劳程度的增加会降低个体适应能力，同时也导致脑电蕴含信息量下降。虽然各尺度熵能有效区分疲劳与非疲劳群体[7，9]，但本文结果显示，各尺度熵与疲劳的相关程度并不高（相关系数绝对值最大0.376），且随着尺度的增加，其相关性越来越弱。因此，单独使用各尺度熵值并不能很好地衡量疲劳状态。
典型相关分析利用综合变量对之间的相关关系来反映2 组指标之间的整体相关性。相比于各尺度熵值与疲劳量表得分的相关系数，基于典型相关分析的各尺度熵值的典型变量与疲劳量表得分的相关系数有较大提高（0.700），能较好地反映疲劳状态。
综上所述，多尺度熵具有良好的测量信度，是一种客观地反映疲劳状态的测量指标，适合于对疲劳状态的监测与评估。
受客观条件的限制，本文的研究对象为临床护理人员，均为女性，样本属性比较单一，后续研究将扩大样本采集范围，增加男性医护人员数据研究，并针对不同年龄段做不同分析研究。多尺度熵是脑电信号的一个特征量，下一步研究将结合脑电信号其他特征量做综合分析，从而提高疲劳分析准确性。
