基于腦電信號(hào)的耳鳴識(shí)別算法研究

郭婷儀 李素芳 鐘桂仙 曾佳璇 周酥

摘 要 目的：研究耳鳴患者的腦電信號(hào)特征，利用生物信號(hào)處理的方法對(duì)耳鳴患者的腦電信號(hào)與正常人腦電信號(hào)進(jìn)行分類識(shí)別，為臨床診斷耳鳴疾病提供一種輔助手段。方法：首先，利用小波變換消噪算法在Matlab 7.0平臺(tái)上對(duì)顳葉區(qū)靜息態(tài)腦電信號(hào)進(jìn)行預(yù)處理；然后對(duì)腦電信號(hào)進(jìn)行EMD分解，提取對(duì)應(yīng)IMF分量的能量作為特征值；最后采用SVM分類算法對(duì)患者與正常被試者的腦電信號(hào)進(jìn)行分類識(shí)別。結(jié)果：利用19例靜息態(tài)腦電信號(hào)對(duì)算法進(jìn)行驗(yàn)證，其中有11例正常被試者的腦電信號(hào)被識(shí)別出來，3例患者的腦電信號(hào)被識(shí)別出來，總識(shí)別率達(dá)到73.68%。結(jié)論：顳葉區(qū)靜息態(tài)腦電信號(hào)與耳鳴疾患之間有一定的關(guān)聯(lián)性，可以依據(jù)腦電信號(hào)來識(shí)別耳鳴疾病，對(duì)臨床診斷具有一定的輔助作用。

關(guān)鍵詞 耳鳴；腦電信號(hào)；小波變換；EMD；SVM

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2018）214-0105-03

耳鳴是在外界沒有相應(yīng)聲源或電刺激存在的情況下，患者主觀感覺耳內(nèi)或者顱內(nèi)有聲響的現(xiàn)象。耳鳴是一種常見的臨床癥狀，其發(fā)病率呈逐年上升的趨勢(shì)，耳鳴常伴有煩燥、睡眠質(zhì)量差、注意力難以集中等癥狀。因此，借助醫(yī)療技術(shù)來輔助診斷耳鳴病例和監(jiān)測(cè)耳鳴治療效果具有重要的臨床意義。

目前，耳鳴的病因與誘因尚不明確，主要根據(jù)患者的病史、癥狀、聽覺系統(tǒng)的測(cè)試、影像學(xué)檢查、評(píng)估量表和心理聲學(xué)評(píng)估等進(jìn)行臨床診斷與分析，由于耳鳴的產(chǎn)生和延續(xù)與患者的心理因素有密切關(guān)系，所以在臨床中缺乏客觀檢測(cè)和評(píng)估耳鳴的方法，臨床中的主觀判斷可能為耳鳴確診帶來誤差。文獻(xiàn)表明，中樞神經(jīng)系統(tǒng)特別是大腦皮層與耳鳴的產(chǎn)生和維持有關(guān)。因此，利用腦電信號(hào)（EEG）來分析耳鳴疾患具有一定的研究依據(jù)。具有多分辨率的小波變換是分析非平穩(wěn)信號(hào)時(shí)頻局化的有效方法；經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）對(duì)于分析非線性、非平穩(wěn)的EEG具有較明顯的優(yōu)勢(shì)。本文根據(jù)EEG的特點(diǎn)，采用小波變換去除EEG中的眼電偽跡，再利用EMD算法提取腦電信號(hào)的特征，構(gòu)建特征值表作為支持向量機(jī)（Support Vector Machine，SVM）的輸入，利用SVM分類器識(shí)別正常與患者的腦電信號(hào)。算法流程圖如圖1所示。

1 腦電信號(hào)預(yù)處理

本文研究對(duì)象為耳鳴病程1個(gè)月以上的持續(xù)性耳鳴患者，腦電數(shù)據(jù)來源于中山大學(xué)孫逸仙紀(jì)念醫(yī)院耳鼻喉科，共39例靜息態(tài)腦電信號(hào)，其中包括患者13例，正常被試者26例，年齡18～56歲，所有被試者在檢測(cè)前簽署了知情同意書，所有患者已在臨床確診為耳鳴。設(shè)備為便攜式64通道腦電測(cè)量?jī)x，采樣頻率1kHz，根據(jù)大腦皮層功能分區(qū)篩選出10導(dǎo)數(shù)據(jù)，主要分布于負(fù)責(zé)聽覺功能的顳 葉區(qū)。

原始信號(hào)中含有明顯的眼電干擾，利用小波消噪技術(shù)對(duì)原始信號(hào)進(jìn)行預(yù)處理，方法如下：選取sym5小波作為小波基函數(shù)，對(duì)信號(hào)進(jìn)行7層分解；然后運(yùn)用局部閾值法處理含噪信號(hào)的各子頻帶；最后重構(gòu)出處理后的信號(hào)，結(jié)果如圖2所示，圖中顯示幅值明顯的眼電噪聲得到較好地抑制，且去噪后信號(hào)最大限度地保留了原始信號(hào)的有用 成分。

2 腦電信號(hào)特征提取

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是用于處理非線性和非平穩(wěn)信號(hào)的一種分析方法。EMD分解算法基于一個(gè)假設(shè)：

3 基于SVM分類模型的耳鳴識(shí)別

SVM是一種有效地實(shí)現(xiàn)有序風(fēng)險(xiǎn)最小化的模式識(shí)別方式，也是基于小樣本的一種學(xué)習(xí)方法，SVM克服了BP網(wǎng)絡(luò)過學(xué)習(xí)、欠學(xué)習(xí)及訓(xùn)練需要大量數(shù)據(jù)樣本的缺點(diǎn)，即使訓(xùn)練樣本數(shù)量很少也能進(jìn)行訓(xùn)練并可獲得良好的分類。

SVM的基本思想：在某特征空間中找到一個(gè)最優(yōu)的分類超平面，使得不同的訓(xùn)練集正確分開，且要求到超平面距離最近的不同樣本集之間的間隔最大，從而達(dá)到最大的泛化能力。線性可分的最優(yōu)分類超平面如圖6所示，其中實(shí)線為決策面將不同樣本分開，虛線是距離決策面最近且平行于決策面的點(diǎn)，支持向量為兩虛線的間隔最大時(shí)虛線上的點(diǎn)。SVM是最優(yōu)超平面和二次規(guī)劃等技術(shù)相結(jié)合的方法，且泛化能力較強(qiáng)、魯棒性較好，從而使誤差非常小，較好解決實(shí)驗(yàn)數(shù)據(jù)量不足、非線性和多維數(shù)據(jù)等 問題。

4 討論

本文利用EMD算法對(duì)EEG進(jìn)行分解從而提取IMF分量的能量作為特征值，利用SVM進(jìn)行算法驗(yàn)證，19例測(cè)試樣本中有14例判斷正確，其中異常全部被檢測(cè)出來，可見靜息態(tài)EEG與耳鳴疾患之間有一定的關(guān)聯(lián)性，繼續(xù)進(jìn)行深入研究，有望依據(jù)EEG來識(shí)別耳鳴疾病，進(jìn)行療效監(jiān)控，對(duì)臨床診斷起到一定的輔助作用。

參考文獻(xiàn)

[1]李桓，汪志山.耳鳴的診斷和治療進(jìn)展[J].河北醫(yī)科大學(xué)學(xué)報(bào)，2011，32（11）：1354-1357.

[2]陳英，王建明.耳鳴診斷方法的新進(jìn)展[J].中國(guó)當(dāng)代醫(yī)藥，2014，21（13）：183-185.

[3]金玲，趙小虎，王培軍，等.耳鳴的功能性磁共振成像研究[J].中國(guó)耳鼻喉頭頸外科，2011，18（4）：174-177.

[4]陸苗，鄒俊忠，張見.基于IMF能量熵的腦電情感特征提取研究[J]，生物醫(yī)學(xué)工程研究，2016，35（2）：71-74.

[5]楊海弟，鄭億慶，歐永康等.耳鳴患者靜息態(tài)fMRI的局部區(qū)域一致性研究[J].中華耳科學(xué)雜志2014，12（2）：203-206.

[6]楊晨.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）的腦信號(hào)研究[D].南京：南京郵電大學(xué)，2015.

[7]王琬.基于支持向量機(jī)的腦電信號(hào)識(shí)別[D].武漢：華中科技大學(xué)，2007.

[8]黃瑞梅，張振.基于支持向量機(jī)的癲癇腦電信號(hào)模式識(shí)別研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2013，30（5）：919-924.

[9]趙建林，周衛(wèi)東.SVM和小波分析方法在腦電分類中的應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志，2011，28（2）：277-279.

[10]莊瑋.基于支持向量機(jī)的腦電信號(hào)分類方法研究[J].科學(xué)技術(shù)與工程，2014，14（9）：73-77.