梅 戩 王小宇 劉 楊 李景琦 劉克洪 楊 勇* 叢豐裕*

1(杭州電子科技大學(xué)自動(dòng)化學(xué)院，杭州 310018)

2(大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)院，遼寧 大連 116024)

3(浙江音樂(lè)學(xué)院研究生院，杭州 310024)

4(杭州明州腦康康復(fù)醫(yī)院神經(jīng)康復(fù)科，杭州 310000)

5 (武警浙江省總隊(duì)杭州醫(yī)院康復(fù)科，杭州 310051)

引言

大腦對(duì)音樂(lè)的加工是一個(gè)從提取聲音低級(jí)特征再抽象出高級(jí)音樂(lè)結(jié)構(gòu)的層級(jí)神經(jīng)加工過(guò)程[1]。近年來(lái)，音樂(lè)感知與意識(shí)的關(guān)系成為認(rèn)知科學(xué)領(lǐng)域的關(guān)注點(diǎn)之一，對(duì)音樂(lè)感知與意識(shí)關(guān)系的探索有助于揭示人類(lèi)腦認(rèn)知活動(dòng)的神經(jīng)機(jī)理，同時(shí)對(duì)音樂(lè)治療的臨床應(yīng)用也具有重要意義。

以往對(duì)音樂(lè)感知的研究都基于意識(shí)清晰狀態(tài)，如利用清醒被試的功能磁共振(functional magnetic resonance imaging, fMRI)研究音樂(lè)激活的大腦區(qū)域[2]、利用事件相關(guān)電位(event-related potential, ERP)研究音樂(lè)感知的ERP響應(yīng)在波形和節(jié)律上的變化[3]，以及研究意識(shí)清晰腦損傷的患者聽(tīng)音樂(lè)時(shí)的神經(jīng)活動(dòng)[4]等。隨著微意識(shí)狀態(tài)(minimally consciousness state, MCS)、植物狀態(tài)(vegetative state, VS)概念的提出，作為天然的意識(shí)障礙模型，這兩種意識(shí)狀態(tài)為音樂(lè)感知與意識(shí)關(guān)系探索提供了新的模型和研究范式。以往對(duì)不同意識(shí)狀態(tài)被試施加聲音刺激的研究發(fā)現(xiàn)，植物狀態(tài)被試、微意識(shí)狀態(tài)被試和正常人，在受聲音刺激時(shí)的腦電信號(hào)(electroencephalogram, EEG)特征[5]、失匹配負(fù)波(mismatch negative, MMN)波形[6]和功能磁共振反應(yīng)[7]的腦皮層反應(yīng)均有差異。

近年來(lái)涌現(xiàn)了許多新穎的研究方法，包括腦電信號(hào)處理方法、音樂(lè)信息學(xué)特征分析方法等，為探索音樂(lè)感知與意識(shí)關(guān)系提供了新視角。叢豐裕等利用張量分解，提取了聽(tīng)音樂(lè)時(shí)的腦電信號(hào)的多維特征，并驗(yàn)證了可行性[8]。腦電信號(hào)是大量神經(jīng)信號(hào)疊加而成的混合信號(hào)，因此在研究音樂(lè)特征與腦電信號(hào)的關(guān)系之前，必須首先從腦電中提取出與音樂(lè)特征相關(guān)的神經(jīng)活動(dòng)成分。張量分解是一種多維的盲源分離方法，它將腦電信號(hào)分解成多個(gè)獨(dú)立的具有多維特征的源成分，每個(gè)獨(dú)立的源成分就是一種獨(dú)立的神經(jīng)活動(dòng)[9]。相對(duì)其他盲源分離方法(如獨(dú)立成分分析)，張量分解可以在多維的特征空間利用數(shù)學(xué)模型算法，將采集到的混合信號(hào)分離為多種獨(dú)立的張量成分，同時(shí)保留信號(hào)的多維特征，如時(shí)域、頻域、空間分布[10-12]。最后，通過(guò)計(jì)算成分和音樂(lè)的時(shí)域特征相關(guān)性，篩選與音樂(lè)特征相關(guān)的神經(jīng)活動(dòng)，進(jìn)而獲得響應(yīng)音樂(lè)特征的腦電信號(hào)成分。

此外，以往研究音樂(lè)特征多采用聲學(xué)特征(音強(qiáng)、音高、音色)。2012年，從信號(hào)角度，基于音樂(lè)的局部旋律和音域特性，Alluri等提出了音樂(lè)時(shí)域信號(hào)特征的概念，包括fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode[13](詳見(jiàn)本文附錄介紹)。Alluri結(jié)合這些音樂(lè)特征，研究被試聽(tīng)音樂(lè)時(shí)的fMRI，發(fā)現(xiàn)大腦在處理這些音樂(lè)特征時(shí)，一個(gè)涉及認(rèn)知、運(yùn)動(dòng)和腦邊緣回路的大規(guī)模腦活動(dòng)被激活[13]。這將音樂(lè)感知的研究從傳統(tǒng)的聲學(xué)范式引入到了信號(hào)學(xué)層面，并為音樂(lè)加工的腦機(jī)制研究范式提供了新的視角。

基于腦電信號(hào)分析的新技術(shù)及音樂(lè)信息學(xué)(信號(hào))特征，本研究開(kāi)展不同意識(shí)狀態(tài)對(duì)音樂(lè)感知的差異性研究，揭示意識(shí)狀態(tài)如何對(duì)大腦加工音樂(lè)產(chǎn)生影響。通過(guò)設(shè)計(jì)音樂(lè)刺激實(shí)驗(yàn)，采集相關(guān)腦電信號(hào)，利用基于層次交替最小二乘法(hierarchical alternating least squares, HALS)的非負(fù)CP張量分解算法，從采集的腦電中分離與音樂(lè)相關(guān)的張量成分。最后，對(duì)每個(gè)腦電張量成分進(jìn)行比率功率譜分析和空間分布分析，從而了解不同意識(shí)水平對(duì)大腦加工音樂(lè)特征的影響。

1 腦電采集方法

1.1 實(shí)驗(yàn)被試篩選

本研究的微意識(shí)狀態(tài)組和植物狀態(tài)組被試的腦電信號(hào)均采自于杭州明州腦康康復(fù)醫(yī)院和武警浙江省總隊(duì)杭州醫(yī)院。所有入選被試均無(wú)需插管由呼吸機(jī)輔助呼吸，無(wú)心肺復(fù)蘇史，無(wú)精神疾病史。此外，為了在研究期間保證被試意識(shí)狀態(tài)穩(wěn)定及腦電特征的一致性，選用處于微意識(shí)狀態(tài)或植物狀態(tài)一個(gè)月以上且處于慢性期的被試[14]。同時(shí)，剔除以下病例特征：存在中度及以上聽(tīng)力損失患者、閉鎖綜合癥患者，以及患有可能導(dǎo)致腦神經(jīng)病理性缺失疾病的患者。本研究的意識(shí)水平評(píng)估，采用國(guó)際對(duì)微意識(shí)狀態(tài)和植物狀態(tài)區(qū)分效果較好的CRS-R量表作為意識(shí)水平量化工具，篩選出其6項(xiàng)得分對(duì)應(yīng)小于4-5-6-3-2-3的被試。被試為3組正常被試組、微意識(shí)狀態(tài)組、植物狀態(tài)組。正常被試組7人，年齡分布20～30歲。微意識(shí)狀態(tài)組17人，植物狀態(tài)組19人，年齡分布20～55歲。微意識(shí)狀態(tài)組、植物狀態(tài)組被試的詳細(xì)信息如表1所示。

表1 微意識(shí)狀態(tài)組和植物狀態(tài)組被試信息統(tǒng)計(jì)Tab.1 Information about MCS and VS participants

1.2 信號(hào)采集方案

實(shí)驗(yàn)采用BioSemi公司生產(chǎn)的64導(dǎo)聯(lián)ActiveTwoSystem腦電采集儀器，采樣率為2 048 Hz。數(shù)據(jù)采集采用單極導(dǎo)聯(lián)方式，選用A1、A2作為參考電極。根據(jù)國(guó)際10/20標(biāo)準(zhǔn)導(dǎo)聯(lián)系統(tǒng)，將電極布置在被試頭皮表面，在電極和頭皮間注入導(dǎo)電凝膠，使電阻小于5 kΩ。

被試進(jìn)入安靜狀態(tài)后，開(kāi)始腦電采集實(shí)驗(yàn)。首先采集被試在靜息態(tài)時(shí)的腦電信號(hào)60 s，然后采集被試處于音樂(lè)刺激狀態(tài)下的腦電信號(hào)120 s，最后再采集被試刺激后的靜息態(tài)信號(hào)60 s。本研究的刺激源選取了《茉莉花》的高潮副歌部分，時(shí)長(zhǎng)為120 s，播放的聲級(jí)為70 dB。實(shí)驗(yàn)中的被試是閉眼聽(tīng)音樂(lè)，對(duì)于不能閉眼的意識(shí)障礙被試，用毛巾遮住他的眼睛。采集過(guò)程中，無(wú)噪聲和大功率用電設(shè)備干擾。被試呈靜臥姿勢(shì)，房間溫度控制在25℃。實(shí)驗(yàn)的過(guò)程如圖1所示。

圖1 腦電信號(hào)采集流程Fig.1 Time-course of EEG acquisition.

1.3 腦電信號(hào)預(yù)處理

本研究在Matlab 2016a平臺(tái)上，利用EEGLAB version 13_5_4b對(duì)腦電信號(hào)進(jìn)行分析。首先，對(duì)腦電進(jìn)行去工頻濾波，根據(jù)我國(guó)電流頻率，設(shè)置去工頻50 Hz；其次，根據(jù)腦電的節(jié)律特點(diǎn)，將帶通濾波的截止頻率設(shè)為低通80 Hz、高通0.5 Hz。根據(jù)EEGLAB觀察濾波后的波形，剔除較大擾動(dòng)和肌肉偽跡，從而得到降噪后的腦電信號(hào)。

降噪后，信號(hào)依然會(huì)存在偽跡，如眼電(electro-oculogram, EOG)等?；贛atlab 2016a，利用ICASSO工具箱做基于InfomaxICA的信號(hào)分解算法，對(duì)降噪后的腦電實(shí)施獨(dú)立成分分析(independent component analysis, ICA)，以去除偽跡。

2 音樂(lè)特征提取

利用Matlab2016a編譯環(huán)境，加載MIRToolbox Version1.7.1工具箱，提取刺激源《茉莉花》的5個(gè)音樂(lè)特征，包括fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode[13, 15]。首先采用移窗法，利用窗寬3 s，與前后窗重疊各2 s，從零秒開(kāi)始對(duì)音樂(lè)取樣[16]；然后利用MIRToolbox，計(jì)算每個(gè)音樂(lè)片段的音樂(lè)特征(fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode)的值。

3 腦電特征提取

3.1 腦電信號(hào)三階張量計(jì)算

選用腦電信號(hào)的空間分布(channel)、時(shí)域(time)和頻域(frequency)，作為三階張量的特征。為獲取每個(gè)被試腦電信號(hào)各導(dǎo)聯(lián)的時(shí)頻域特征作為張量第三階分量，選用短時(shí)傅里葉變換對(duì)信號(hào)做時(shí)頻域分析[11]。利用漢明窗對(duì)各導(dǎo)聯(lián)腦電信號(hào)采樣，窗寬3 s，與前后窗重疊各2 s。由此生成每個(gè)腦電信號(hào)的三階張量大小為channel×frequency×time,其中channel=64,frequency=158,time=120-偽跡時(shí)間，偽跡時(shí)間為預(yù)處理時(shí)信號(hào)中因偽跡較大而被剔除部分的時(shí)長(zhǎng)。

3.2 基于HALS的非負(fù)CP張量分解

提取信號(hào)高維張量成分的張量分解算法一般有兩種模式：canonical polyadic(CP)分解和tucker分解。CP分解是將一個(gè)給定的N階張量X分解為一系列秩一張量的和的過(guò)程。

根據(jù)階數(shù)不同，張量可以被劃分為一階向量、二階矩陣和三階及以上的高階張量。與矩陣分解類(lèi)似，一個(gè)N階張量X可以分解為R個(gè)N階秩一張量的和[17]。每個(gè)秩一張量就是張量的一個(gè)成分。N階秩一張量等于N個(gè)正交單位向量的外積乘以能量系數(shù)。由此，得到一個(gè)N階張量X的CP分解如下：

(1)

式中，張量X為一個(gè)N階張量，λr為能量系數(shù)，ar1,ar2,…,arN為正交單位向量，符號(hào)°表示張量外積。

本研究選用非負(fù)CP張量分解，用來(lái)分解在本文第3.1節(jié)中獲得的三階張量。在此過(guò)程中，不斷趨近一系列最優(yōu)非負(fù)正交向量組合，使得剩余張量范數(shù)‖E‖2趨于零。剩余張量二范數(shù)‖E‖2的計(jì)算過(guò)程如下：

(2)

為了加快剩余張量二范數(shù)的收斂，減少對(duì)算力的依賴(lài)，本研究選用了由層次交替最小二乘法(hierarchical alternating least squares, HALS)優(yōu)化趨近過(guò)程的基于HALS的非負(fù) CP張量分解[18]。

3.3 腦電張量成分提取與篩選

本文第3.2節(jié)介紹了選用的基于HALS的非負(fù) CP張量分解算法。下面將利用該算法分解本文第3.1節(jié)中得到的每個(gè)被試的三階信號(hào)張量，以獲得腦電活動(dòng)的成分。從信號(hào)張量提取出張量成分的個(gè)數(shù)，通過(guò)Smooth DIFFIT判斷得出[19]。

以上方法提取出的張量成分都含有3個(gè)分量，分別是空間分布系數(shù)、時(shí)域包絡(luò)及頻譜。根據(jù)張量成分的空間分布系數(shù)畫(huà)出腦地形圖，然后篩選出滿(mǎn)足dipolar形式的張量成分，即為腦電張量成分[10, 20]。然后將張量成分中的時(shí)域包絡(luò)分量依次與方法2中獲得的5種音樂(lè)時(shí)域特征值做Pearson相關(guān)系數(shù)分析，用Monte Carlo 法計(jì)算相關(guān)成立的相關(guān)系數(shù)閾值大小，選出與音樂(lè)特征相關(guān)的成分(P<0.05)，即為響應(yīng)該音樂(lè)特征變化的腦電活動(dòng)[8, 11, 13]。

3.4 比率功率譜分析與統(tǒng)計(jì)檢驗(yàn)

在本文第3.3節(jié)中得到的腦電張量成分具有空間分布系數(shù)、時(shí)域包絡(luò)及頻譜3個(gè)分量，其中腦電張量成分的頻域分量體現(xiàn)了該成分的頻譜特性。根據(jù)頻域分量可計(jì)算其比率功率譜，即各節(jié)律的占比，用來(lái)分析不同意識(shí)水平被試的腦電信號(hào)對(duì)音樂(lè)特征的響應(yīng)在節(jié)律上是否存在差異性。各個(gè)節(jié)律的比率功率譜計(jì)算如下：

(3)

式中,f1和f2分別為frequency band of interest的頻域下限與上限，即delta (1～4 Hz)、theta(4～8 Hz)、alpha (8～13 Hz) 和 beta (13～30 Hz)。

腦電張量成分的空間分布分量表征了該成分在腦區(qū)的分布，系數(shù)越高說(shuō)明該采樣點(diǎn)離產(chǎn)生該腦電張量成分的源成分的距離越近，從而可通過(guò)腦地形圖判斷源成分發(fā)生的響應(yīng)腦區(qū)位置。

為了驗(yàn)證正常被試、微意識(shí)狀態(tài)組和植物狀態(tài)組之間的響應(yīng)差異，使用SPSS v.20 (SPSS Inc., Chicago, IL) 軟件，對(duì)腦電張量成分的功率譜比率做ANOVA單因素檢驗(yàn)和Scheffe事后檢驗(yàn)，P<0. 05被認(rèn)為統(tǒng)計(jì)上具有顯著差異。

最后比較與音樂(lè)特征不相關(guān)和相關(guān)的腦電張量成分在比率功率譜和響應(yīng)腦區(qū)分布的差異，排除3組被試在功率譜和腦地形圖的差異與音樂(lè)感知無(wú)關(guān)，可能僅是本身意識(shí)水平的不同而引起的。

4 實(shí)驗(yàn)結(jié)果

通過(guò)本文第3.2節(jié)中的張量分解算法和第3.3節(jié)中的張量成分篩選方法，從7例正常人組中篩選出18個(gè)成分，從17例微意識(shí)狀態(tài)組篩選出41個(gè)成分，從19例植物狀態(tài)組篩選出32個(gè)成分，結(jié)果如表2所示。

表2 不同意識(shí)水平組的腦電與5種音樂(lè)特征相關(guān)張量成分個(gè)數(shù)統(tǒng)計(jì)Tab.2 Statistics on the number of EEG tensor components correlated with five musical features among different consciousness level groups

4.1 與音樂(lè)特征相關(guān)的腦電張量成分的比率功率譜分析與統(tǒng)計(jì)檢驗(yàn)

按本文第3.4節(jié)的方法，對(duì)所有音樂(lè)特征相關(guān)的腦電張量成分做比率功率譜分析。表3～7分別為與fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode音樂(lè)特征相關(guān)的腦電張量成分的比率功率譜分析結(jié)果。

表3為與音樂(lè)特征fluctuation centroid相關(guān)的腦電張量成分比率功率譜的平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計(jì)差異(alpha波：F(2,21)=104.838,P<0.001；beta波：F(2,21)=10.418,P=0.001)。正常人組腦電張量成分的alpha波占比高于微意識(shí)狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識(shí)狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分在各節(jié)律波段占比沒(méi)有差異。

表3 與音樂(lè)特征fluctuation centroid相關(guān)的腦電張量成分比率功率譜平均值Tab.3 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature fluctuation centroid

表4為與音樂(lè)特征fluctuation entropy相關(guān)的腦電張量成分比率功率譜的平均值。由于正常人組和植物狀態(tài)組與fluctuation entropy相關(guān)的腦電張量成分各只有兩個(gè)，所以不對(duì)其做獨(dú)立樣本統(tǒng)計(jì)分析。但是可以觀察發(fā)現(xiàn)，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，微意識(shí)狀態(tài)組和植物狀態(tài)組的腦電張量成分相反。正常人組腦電張量成分的alpha波占比高于微意識(shí)狀態(tài)組和植物狀態(tài)組的alpha波占比，微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分在各節(jié)律波段占比沒(méi)有差異。

表4 與音樂(lè)特征fluctuation entropy相關(guān)的腦電張量成分比率功率譜平均值Tab.4 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature fluctuation entropy

表5為與音樂(lè)特征key clarity相關(guān)的腦電張量成分比率功率譜的平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計(jì)差異(alpha波：F(2,18)=27.349,P<0.001；beta波：F(2,18)=6.758,P=0.006)。正常人組腦電張量成分的alpha波占比高于微意識(shí)狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識(shí)狀態(tài)組(P=0.010) 和植物狀態(tài)組(P=0.022)，微意識(shí)狀態(tài)組和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒(méi)有差異。

表5 與音樂(lè)特征key clarity相關(guān)的腦電張量成分比率功率譜平均值Tab.5 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature key clarity

表6為與音樂(lè)特征pulse clarity相關(guān)的腦電張量成分比率功率譜的平均值。其中，常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比和beta波占比存在統(tǒng)計(jì)差異(alpha波：F(2,21)=27.349,P<0.001；beta波：F(2,18)=6.758,P=0.006)。正常人組腦電張量成分的alpha波占比高于微意識(shí)狀態(tài)組(P<0.001)和植物狀態(tài)組(P<0.001)，正常人組腦電張量成分的beta波占比高于微意識(shí)狀態(tài)組(P=0.01)和植物狀態(tài)組(P=0.022)，微意識(shí)狀態(tài)組和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒(méi)有差異。

表6 與音樂(lè)特征pulse clarity相關(guān)的腦電張量成分比率功率譜平均值Tab.6 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature pulse clarity

表7為與音樂(lè)特征mode相關(guān)的腦電張量成分比率功率譜平均值。其中，正常人組腦電張量成分的alpha波和beta波占比高于theta波和delta波，而微意識(shí)狀態(tài)組腦電張量成分和植物狀態(tài)組腦電張量成分的theta波和delta波占比高于alpha波和beta波。3組被試的腦電張量成分的alpha波占比存在統(tǒng)計(jì)差異(alpha波：F(2,6)=5.79,P=0.040)。微意識(shí)狀態(tài)組的腦電張量成分和植物狀態(tài)組的腦電張量成分在各節(jié)律波段占比沒(méi)有差異。

表7 與音樂(lè)特征mode相關(guān)的腦電張量成分比率功率譜平均值Tab.7 The mean value of the power spectrum ratio of EEG tensor components correlated with the music feature mode

4.2 與音樂(lè)特征相關(guān)的腦電張量成分的響應(yīng)腦區(qū)分布統(tǒng)計(jì)與分析

根據(jù)本文第3.3節(jié)中得到的腦電張量的空間分布系數(shù)分量，可畫(huà)出腦地形圖，并判斷該腦電張量成分的響應(yīng)腦區(qū)。表8～10分別為正常人組、微意識(shí)狀態(tài)組和植物狀態(tài)組與音樂(lè)特征相關(guān)的腦電張量成分在腦區(qū)的分布統(tǒng)計(jì)。正常人組的腦電張量成分除2個(gè)位于顳葉，其余16個(gè)都分布于前額葉；微意識(shí)狀態(tài)組的腦電張量只有6個(gè)分布于前額葉，其余的主要位于顳葉；植物狀態(tài)組的腦電張量成分只有1個(gè)分布于前額葉，其余的主要分布于顳葉。如圖2所示，從左到右分別為正常人組響應(yīng)腦區(qū)是前額葉的腦電張量成分的腦地形圖、微意識(shí)狀態(tài)組響應(yīng)腦區(qū)是顳葉的腦電張量成分的腦地形圖和植物狀態(tài)組響應(yīng)腦區(qū)是顳葉的腦電張量成分的腦地形圖。

多種抗心律失常藥物及電復(fù)律治療對(duì)左前分支室速效果欠佳，射頻消融治療是唯一根治性方法[7]。部分患者長(zhǎng)時(shí)間心動(dòng)過(guò)速可出現(xiàn)臨床癥狀，甚至可誘發(fā)心動(dòng)過(guò)速性心肌病[8]。尤其對(duì)于兒童患者，由于年齡小、體質(zhì)量也小，射頻消融風(fēng)險(xiǎn)相應(yīng)升高[9-10]，在選擇射頻消融根治術(shù)前，食管調(diào)搏作為一種無(wú)創(chuàng)的電生理檢查方法，對(duì)于特發(fā)性室速的鑒別與心動(dòng)過(guò)速的終止均有重要的意義，因此，食管調(diào)搏可作為緊急終止分支型室速的方式之一。

圖2 三組被試的腦電信號(hào)與音樂(lè)特征相關(guān)的張量成分腦地形圖。(a)正常人組；(b)微意識(shí)狀態(tài)組；(c)植物狀態(tài)組Fig.2 Spatial component of EEG tensor components correlated with musical feature. (a) Normal group; (b) MCS group; (c) VS group

表8 正常人組與音樂(lè)特征相關(guān)的腦電張量成分響應(yīng)腦區(qū)分布統(tǒng)計(jì)Tab.8 The number of location of EEG tensor components correlated with musical feature in normal group

4.3 與音樂(lè)特征不相關(guān)的腦電張量成分的比率功率譜和響應(yīng)腦區(qū)分布統(tǒng)計(jì)與分析

本節(jié)把3組被試腦電中與音樂(lè)特征不相關(guān)的腦電張量成分進(jìn)行比率功率譜和響應(yīng)腦區(qū)分布統(tǒng)計(jì)，以排除3組被試的功率譜和腦地形圖只是由本身意識(shí)水平的不同引起而與音樂(lè)感知無(wú)關(guān)的可能性。正常人組145個(gè)腦電張量成分，微意識(shí)狀態(tài)組202個(gè)腦電張量成分，植物狀態(tài)組307個(gè)腦電張量成分。

表9 微意識(shí)狀態(tài)組與音樂(lè)特征相關(guān)的腦電張量成分響應(yīng)腦區(qū)分布統(tǒng)計(jì)Tab.9 The number of location of EEG tensor components correlated with musical feature in MCS group

表10 植物狀態(tài)組與音樂(lè)特征相關(guān)的腦電張量成分響應(yīng)腦區(qū)分布統(tǒng)計(jì)Tab.10 The number of location of EEG tensor components correlated with musical feature in VS group

表11為3組被試與音樂(lè)特征不相關(guān)的腦電張量成分比率功率譜平均值。delta波占比：植物狀態(tài)組(0.629±0.372)，高于微意識(shí)狀態(tài)組(0.436±0.385)，高于正常人組(0.183±0.265)(F(2,640)=77.179,P<0.001)；theta波占比：微意識(shí)狀態(tài)組(0.240±0.298)和植物狀態(tài)組(0.213±0.293)高于正常人組(0.124±0.157)(F(2,640)=8.494,P<0.001)；alpha波占比：正常人組(0.483±0.320)高于微意識(shí)狀態(tài)組(0.081±0.121)和植物狀態(tài)組(0.056±0.092)(F(2,640)=308.538,P<0.001)；beta波占比：正常人組(0.159±0.105)高于微意識(shí)狀態(tài)組(0.025±0.021)和植物狀態(tài)組(0.029±0.036)(F(2,640)=299.129,P<0.001)。

表11 與音樂(lè)特征不相關(guān)的腦電張量成分比率功率譜平均值Tab.11 The mean value of the power spectrum ratio of EEG tensor components not correlated with the music feature

表12為3組被試與音樂(lè)特征不相關(guān)的腦電張量成分的比率功率譜和響應(yīng)腦區(qū)分布。正常人組145個(gè)腦電張量成分中，有97個(gè)的響應(yīng)腦區(qū)位于前額葉；微意識(shí)狀態(tài)組202個(gè)腦電張量成分中有44個(gè)的響應(yīng)腦區(qū)位于前額葉，植物狀態(tài)組307個(gè)腦電張量成分中有51個(gè)的相應(yīng)區(qū)域位于前額葉。

表12 與音樂(lè)特征不相關(guān)的腦電張量成分響應(yīng)腦區(qū)分布統(tǒng)計(jì)Tab.12 The number of location of EEG tensor components not correlated with musical feature

將本文第4.3節(jié)中與音樂(lè)特征不相關(guān)的腦電張量成分的比率功率譜與響應(yīng)腦區(qū)，和第4.2節(jié)中與音樂(lè)特征相關(guān)的腦電張量成分的比率功率譜與響應(yīng)腦區(qū)相比較。首先，微意識(shí)狀態(tài)組中與音樂(lè)特征相關(guān)的腦電張量成分的delta波占比和植物狀態(tài)組沒(méi)有差別，而微意識(shí)狀態(tài)組中與音樂(lè)特征不相關(guān)的腦電張量成分delta波占比低于植物狀態(tài)組的占比；其次，正常組與音樂(lè)特征相關(guān)的腦電張量成分的theta波占比低于微意識(shí)狀態(tài)組與植物狀態(tài)組的占比，而正常組與音樂(lè)特征不相關(guān)的腦電張量成分theta波占比和微意識(shí)狀態(tài)組與植物狀態(tài)組存在差別；最后，微意識(shí)狀態(tài)組和植物狀態(tài)組的與音樂(lè)特征不相關(guān)的腦電張量成分的響應(yīng)腦區(qū)位于前額葉比例高于與音樂(lè)特征相關(guān)的腦電張量成分，而正常人組與音樂(lè)的時(shí)域特征相關(guān)的腦電張量成分的響應(yīng)腦區(qū)位于前額葉比例高于與音樂(lè)的時(shí)域特征不相關(guān)的腦電張量成分。

因此，對(duì)比與音樂(lè)時(shí)域特征不相關(guān)和相關(guān)的腦電張量成分可知，這兩組成分的響應(yīng)腦區(qū)分布和功率譜在3組被試間的統(tǒng)計(jì)結(jié)果是存在差異的?；诖?，根據(jù)實(shí)驗(yàn)結(jié)果得出結(jié)論，3組被試在功率譜和腦地形圖的差異與音樂(lè)感知是有關(guān)的，并不僅僅是本身意識(shí)水平的不同而引起的。

5 討論

首先，本研究對(duì)不同意識(shí)水平的被試在音樂(lè)刺激下產(chǎn)生的腦電信號(hào)做降噪和去偽跡預(yù)處理，然后，基于HALS的非負(fù) CP張量分解，對(duì)處理后的信號(hào)做張量分解，獲得腦電的張量成分。將這些張量成分的時(shí)域分量分別與5種音樂(lè)特征(fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和 mode)做相關(guān)分析，提取出與音樂(lè)特征相關(guān)的腦電張量成分，分析功率譜和響應(yīng)腦區(qū)分布，最后探究不同意識(shí)水平對(duì)音樂(lè)特征加工的差異。

由3組被試腦電中與音樂(lè)特征相關(guān)的腦電張量成分的功率譜和響應(yīng)腦區(qū)分布的統(tǒng)計(jì)結(jié)果可知，被試在音樂(lè)刺激下的腦活動(dòng)在節(jié)律和腦響應(yīng)區(qū)域存在差異。在節(jié)律方面，通過(guò)對(duì)張量分解得到的成分做比率功率譜分析發(fā)現(xiàn)：除特征mode外，正常意識(shí)狀態(tài)的響應(yīng)腦電張量成分alpha波和beta波的占比均高于微意識(shí)狀態(tài)和植物狀態(tài)。微意識(shí)狀態(tài)和植物狀態(tài)之間的各節(jié)律占比沒(méi)有明顯差異。正常意識(shí)狀態(tài)的響應(yīng)腦電張量成分的alpha波和beta波的占比均高于delta波和theta波，而微意識(shí)狀態(tài)和植物狀態(tài)則是delta波和theta波占比高于alpha波和beta波。基于以往對(duì)腦電節(jié)律的研究，注意力集中(attention)和高強(qiáng)度認(rèn)知活動(dòng)(cognition)會(huì)引起beta波的出現(xiàn)[21]，并且本研究發(fā)現(xiàn)，微意識(shí)狀態(tài)和植物狀態(tài)腦電中與音樂(lè)特征相關(guān)的腦電張量成分中beta節(jié)律明顯少于正常意識(shí)狀態(tài)組，可以推測(cè)這兩組意識(shí)狀態(tài)對(duì)音樂(lè)特征的感知和注意力更弱。

在響應(yīng)腦區(qū)方面，正常意識(shí)狀態(tài)時(shí)的響應(yīng)腦區(qū)主要集中在前額葉，而意識(shí)降為微意識(shí)狀態(tài)和植物狀態(tài)時(shí)，響應(yīng)主要發(fā)生于顳葉。這意味著隨著意識(shí)水平降低，前額葉響應(yīng)下降，而顳葉基本保持，佐證了前額葉對(duì)意識(shí)的重要性。針對(duì)音樂(lè)加工的腦機(jī)制，Koelsch等[1]提出了層級(jí)音樂(lè)加工模型。賴(lài)寒等[22]結(jié)合該模型，對(duì)大腦對(duì)音樂(lè)旋律更精細(xì)加工的第3階段音程分析和第4階段結(jié)構(gòu)分析的神經(jīng)活動(dòng)做元分析，發(fā)現(xiàn)第3階段音程分析激活的主要區(qū)域?yàn)殡p側(cè)顳上回，而第4階段結(jié)構(gòu)分析激活的主要區(qū)域?yàn)榍邦~葉，包括額下回、額中回和額極。根據(jù)這個(gè)理論，可推斷正常意識(shí)狀態(tài)對(duì)音樂(lè)進(jìn)行的第4階段結(jié)構(gòu)加工并沒(méi)有發(fā)生在微意識(shí)狀態(tài)和植物狀態(tài)中，因?yàn)樘幱谝魳?lè)加工第四階段的結(jié)構(gòu)加工的激活區(qū)域主要在前額葉，但是微意識(shí)狀態(tài)和植物狀態(tài)被試的前額葉并沒(méi)有被激活[22]。

其次，本研究對(duì)比正常意識(shí)狀態(tài)、微意識(shí)狀態(tài)和植物狀態(tài)發(fā)生于顳葉的成分的頻域特征，發(fā)現(xiàn)3組被試的響應(yīng)音樂(lè)特征的腦電張量成分在節(jié)律上分布不同。正常意識(shí)狀態(tài)被試對(duì)音樂(lè)特征響應(yīng)的腦電張量成分的alpha波和beta波依然高于delta波和theta波，而微意識(shí)狀態(tài)和植物狀態(tài)對(duì)音樂(lè)特征響應(yīng)的腦電張量成分以theta波和delta波為主。這說(shuō)明，隨著意識(shí)水平的降低，顳葉對(duì)音樂(lè)特征的響應(yīng)產(chǎn)生的腦電節(jié)律也會(huì)降低。

6 結(jié)論

研究發(fā)現(xiàn)，正常被試、微意識(shí)狀態(tài)被試和植物狀態(tài)被試對(duì)音樂(lè)特征的響應(yīng)在節(jié)律和響應(yīng)區(qū)域存在差異。在腦激活區(qū)域分布上，正常被試對(duì)音樂(lè)特征的響應(yīng)主要集中在前額葉，而微意識(shí)狀態(tài)被試和植物狀態(tài)被試對(duì)音樂(lè)的響應(yīng)集中在顳葉。在節(jié)律分布上，正常被試對(duì)音樂(lè)特征的腦電響應(yīng)頻率集中在alpha和beta波段，微意識(shí)狀態(tài)被試和植物狀態(tài)被試對(duì)音樂(lè)特征的腦電響應(yīng)頻率集中在theta和delta波段。

附錄：音樂(lè)特征

5個(gè)音樂(lè)特征Fluctuation centroid、fluctuation entropy、pulse clarity、key clarity和mode是由Alluri等在2012年提出的[13]，其中前3個(gè)反映音樂(lè)的節(jié)奏特征(rhythmic feature)，后2個(gè)反映音樂(lè)的音域特征(tonal feature)。

這5個(gè)音樂(lè)特征的物理意義如下：fluctuation centroid是波動(dòng)頻譜的幾何平均數(shù)，用來(lái)計(jì)算音樂(lè)0～10 Hz內(nèi)的平均頻率；fluctuation entropy是波動(dòng)頻譜的香農(nóng)熵，用來(lái)表征波動(dòng)頻譜的混亂度，值越大包含的旋律越多；pulse clarity用來(lái)衡量旋律的清晰度，表明重音能量的大小；key clarity用來(lái)衡量音階的清晰度；mode用來(lái)表示大調(diào)或小調(diào)的主導(dǎo)率。