用于评估药物成瘾治疗的3D时空卷积LSTM网络

《Pattern Recognition》：3D Temporal-Spatial Convolutional LSTM Network for Assessing Drug Addiction Treatment

药物成瘾（DA）是一种慢性复发性脑疾病，目前缺乏有效的治疗评估方法。本文提出基于3D时空卷积LSTM网络的新型评估模型，通过多通道EEG信号转换为非均匀采样时间拓扑图增强空间特征，结合卷积模块提取空间特征和LSTM模块捕捉时序特征，并引入对比损失函数强化时空特征关联。实验构建首个DA相关rTMS-EEG数据集，验证模型对假刺激/成瘾前（85%）和成瘾前/成瘾后（83%）的评估准确率显著优于传统方法，揭示α和β脑电波作为DA生理标志物，证实rTMS治疗的有效性。

　　

马海平|黄继元|沈晨旭|刘金|刘清明

浙江绍兴大学电气工程系，中国绍兴312000

摘要

药物成瘾（DA）是一种慢性且易复发的脑部疾病，目前有效的治疗方法有限。重复经颅磁刺激（rTMS）与脑电图（EEG）的结合使用为DA治疗提供了一种非常有前景的方法。本文提出了一种基于rTMS-EEG信号的有效3D时空卷积长短期记忆（LSTM）网络，用于DA的评估。首先，将rTMS治疗后的多通道EEG时间序列转换为具有非均匀采样时间的多个拓扑图，以增强rTMS-EEG信号的空间特征。然后，这些拓扑图依次输入卷积模块，以提取DA条件下的大脑活动空间特征。接下来，考虑到rTMS-EEG信号的时间相关性，引入LSTM模块以自适应地捕获重要的序列时间信息。进一步地，定义了一个对比损失函数来强化时空间特征，从而提高DA评估的准确性。最后，为了评估所提出网络的性能，构建了首个用于DA治疗的rTMS-EEG数据集。大量实验结果表明，$\alpha$和$\beta$节律可能是DA疾病的主要脑生理标志物，而rTMS是一种安全有效的DA治疗方法。同时，所提出的网络在评估假阳性/预DA受试者和预/后DA受试者时的准确率分别为85%和83%，优于几种现有的方法。

引言

药物成瘾（DA）是一种慢性且易复发的脑部疾病，对个人和社会构成了严重威胁。长期使用药物会导致某些脑结构的功能发生变化[1]。目前，还没有完全有效的方法来预防和治疗DA。重复经颅磁刺激（rTMS）是一种安全且低成本的非侵入性技术，可以刺激皮质神经元，这是其他神经元成像方法难以实现的[2]。通过调节异常脑回路中的神经活动，rTMS显示出作为DA治疗干预措施的潜力。脑电图（EEG）是一种用于检测和预测人类大脑异常的重要工具[3]。由于其易于使用和高时间分辨率，EEG成为诊断应用中的首选方法。近年来，在同时使用rTMS和EEG直接评估大脑皮层网络特性方面取得了显著进展。当通过隔离EEG对rTMS的响应获得波形时，预期的成分是由rTMS诱导的电流引起的皮质激活[4]，这些成分进一步用于分析各种与大脑相关的疾病。

目前，人们试图利用rTMS-EEG信号来了解某些脑部疾病的工作原理，并探索与它们相关的生理标志物。为了解决这些问题，使用了一系列传统的统计方法和深度学习技术来自动提取rTMS-EEG信号的特征。在涉及rTMS-EEG的研究中[5]，特定频段的功率、诱发电位成分、纺锤波和慢波中的特定特征振荡是传统统计方法的重要特征。主成分分析（PCA）和独立成分分析（ICA）是两种经典的统计方法，它们可以减少或分解多维EEG以获得大脑活动的特征[6]。包括监督学习和无监督学习在内的深度学习技术因其在神经学领域的出色表现而受到广泛关注。它们允许从EEG信号中识别特征，而无需复杂的、手工制作的特征提取[7]。

尽管rTMS-EEG信号在评估各种脑部状况方面非常有用，但它们存在以下局限性：1）与传统EEG相比，rTMS-EEG容易受到刺激相关伪迹的影响，如刺激本身、头皮肌肉活动、电极移动或极化等。这些因素可能会改变大脑活动的信号特征，从而影响DA评估的准确性；2）临床专业人员通过视觉分析rTMS-EEG信号来识别与脑部疾病相关的模式。然而，这一过程既费力又主观且不可预测。DA是一种特定的脑部疾病，缺乏相关数据库使得临床诊断变得困难；3）DA的rTMS-EEG是一个在时间和空间上高度相关的多通道信号阵列。特定电极上的信号仅能捕捉到特定时间的局部大脑活动，因此在尝试检测整体大脑行为时准确性较低。这些局限性对统计分析方法和深度学习技术都构成了挑战。因此，有必要开发一种有效的方法来评估rTMS治疗后的DA，该方法需要考虑rTMS-EEG信号的时间空间相关性。主要贡献总结如下：

(1)

考虑到rTMS-EEG信号的冗余性和相似性，在卷积LSTM架构中设计了一个时空间转换模块。该模块将多通道2D rTMS-EEG时间序列转换为由几个连续拓扑图组成的3D场景。为了进一步增强rTMS-EEG信号的时间空间特征，引入了一个对比损失函数来评估rTMS-EEG信号中的DA。所提出的网络及其新模块和损失函数简单且有效。

(2)

在这项工作中，我们构建了用于研究DA的rTMS-EEG数据集。据我们所知，这是首个关于该主题的数据集。进行了广泛的实验来验证所提出网络的有效性。研究结果表明，$\alpha$和$\beta$节律可能是DA的重要生理标志物，而rTMS是一种安全有效的DA干预措施。与几种现有方法相比，所提出的网络在主观和定量指标上均取得了更高的评估准确性。

本文的其余部分组织如下。第2节回顾了相关工作，第3节介绍了我们工作的动机。第4节提出了一个用于评估DA治疗的3D时空卷积LSTM网络。第5节提供了实验设置，第6节展示了广泛的实验结果。第7节给出了结论。

相关工作

使用EEG和rTMS-EEG信号评估与DA相关的脑部疾病主要分为两类，包括传统的统计方法和深度学习方法。需要注意的是，与DA相关的脑部疾病通常被称为物质使用障碍，通常包括甲基苯丙胺使用障碍和海洛因使用障碍。广义上讲，这一分类还包括酒精使用障碍。

动机

图1显示了来自假阳性受试者（a）和DA受试者（b）的多通道rTMS-EEG信号时间序列（顶部）、转换后的蝴蝶图（中部）以及相应的rTMS-EEG拓扑图（底部）。这里，rTMS-EEG拓扑图是从上到下的头皮视图，不同的颜色表示rTMS治疗后的EEG信号功率值。rTMS-EEG拓扑图包含与多通道rTMS-EEG信号相同数量的大脑活动信息。

系统框架

rTMS-EEG是一种新兴的DA治疗非侵入性工具。rTMS利用电磁场刺激皮质组织，而EEG则通过记录刺激后的神经信号来观察大脑活动。图2展示了用于DA治疗的rTMS-EEG系统框架，包括实验设置、信号处理、成瘾检测和结果可视化。实验设置提供了与DA治疗相关的rTMS参数，包括

参数设置

实验对象包括12名DA参与者（8名男性和4名女性；平均年龄30±8.5岁）来自一个药物康复中心，以及12名假阳性参与者（6名男性和6名女性；平均年龄28±7.2岁）。纳入标准要求DA参与者患病时间超过6个月，生理指标稳定，并且没有其他认知障碍。所有参与者在研究入组前都签署了知情同意书。本研究遵循

性能评估

第一个实验研究了所提出网络通过rTMS-EEG信号评估DA治疗的性能，涉及12名DA受试者。评估的情景包括：rTMS治疗前的DA受试者与rTMS治疗后的DA受试者（pre/post-DA）、rTMS治疗前的假阳性受试者与rTMS治疗后的假阳性受试者（pre/post-sham）、rTMS治疗前的假阳性受试者与rTMS治疗前的DA受试者（pre-sham/pre-DA），以及rTMS治疗前的假阳性受试者与rTMS治疗后的DA受试者（pre-sham/post-DA）。

在实验中，

结论

DA是一种慢性且易复发的脑部疾病，目前缺乏有效的方法来评估治疗效果。本文提出了一种使用rTMS-EEG信号的3D时空卷积LSTM网络用于DA评估。该网络首先使用时空间模块将rTMS治疗后的EEG信号转换为多个拓扑图，从而能够明确识别特定的大脑活动特征。然后，这些拓扑图依次输入卷积模块和LSTM

CRediT作者贡献声明

马海平：撰写——原始草案、方法论、概念化。黄继元：数据管理。沈晨旭：软件开发。刘金：可视化、数据分析。刘清明：撰写——审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本文部分得到了国家自然科学基金（项目编号：61640316）和浙江省自然科学基金（项目编号：LY19F030011）的支持。