淺談癲癇腦電自動(dòng)識(shí)別技術(shù)

王進(jìn)剛 羅旭

摘要：腦電特征識(shí)別是癲癇病診斷和隨訪治療的重要參考手段。本文梳理并歸納了一些主流的癲癇腦電特征識(shí)別方法，包括數(shù)據(jù)預(yù)處理、腦電特征提取、腦電特征識(shí)別三個(gè)方面，指出了目前該方面研究存在的一些問(wèn)題，最后給出總結(jié)。

關(guān)鍵詞： 癲癇； 腦電特征； 數(shù)據(jù)預(yù)處理； 特征提取； 特征識(shí)別

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）12-0205-02

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Discussion on Automatic Detection Technology of Epilepsy Electroencephalogram

NAME Name，LUO Xu

（Department of Information Engineering， Zunyi Medical University， Zunyi 563000， China）

Abstract： Electroencephalogram （EEG） feature recognition is an important method for epilepsy diagnosis and follow-up treatment. In this article， an overview on epileptic EEG feature recognition methods， including the three aspects， data preprocessing， EEG feature extraction and EEG characteristics identification is given. Some problems in currently researches are proposed. Finally， a conclusion is given.

Key words：Epilepsy； EEG feature； data preprocessing； feature extraction； characteristics identification

1 引言

癲癇是大腦神經(jīng)元突發(fā)性異常放電導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。其長(zhǎng)期頻繁的發(fā)作對(duì)患者的身心、智力產(chǎn)生嚴(yán)重影響。尤其是兒童癲癇，其病因復(fù)雜、反復(fù)發(fā)作對(duì)兒童發(fā)育造成嚴(yán)重危害。

癲癇的發(fā)病主要體現(xiàn)為神經(jīng)異常放電以及腦電波異常，因此腦電檢測(cè)是癲癇診斷重要手段以及隨訪體檢的主要項(xiàng)目之一。腦電信號(hào)為非平穩(wěn)信號(hào)，異常的腦電波形主要有棘波、尖波、棘-慢波、尖-慢波[1]。在基于癲癇的腦電診斷中，需要多點(diǎn)采樣，主要有頭皮腦電波和深部腦電波，其中頭皮腦電探測(cè)簡(jiǎn)單易行，難度和成本較低，大多數(shù)病人可以接受，因此比較常用，但缺點(diǎn)是存在較多的噪聲與干擾，偽差較多[2]。

目前癲癇腦電識(shí)別的主流還是基于人工手段識(shí)別，即由醫(yī)生對(duì)腦電波進(jìn)行長(zhǎng)時(shí)間監(jiān)測(cè)，而后做出診斷。此方法耗時(shí)長(zhǎng)，且費(fèi)時(shí)費(fèi)力。為了提高癲癇腦電診斷效率，目前提出了一些癲癇腦電自動(dòng)檢測(cè)與識(shí)別方法。本文歸納并分析了幾種自動(dòng)癲癇腦電檢測(cè)方法，指出了其中的一些問(wèn)題。

2 腦電自動(dòng)識(shí)別方法

癲癇腦電的識(shí)別一般分為三個(gè)步驟，首先是源信號(hào)數(shù)據(jù)的預(yù)處理，主要是數(shù)據(jù)的清洗和濾波，然后是癲癇腦電的特征提取，包括幅度、斜率、周期、頻率、近似熵、波動(dòng)系數(shù)等，最后是癲癇腦電的識(shí)別[3]。

假定[fi]為第[i]個(gè)腦電樣本信號(hào)，那么特征提取問(wèn)題即是求[fi]的特征[Ti=（t（i）1，t（i）2，t（i）3，....，t（i）J）]，其中[t（i）1，t（i）2，t（i）3，....，t（i）J]為[J]個(gè)特征分量，映射關(guān)系為[fi→Ti=（t（i）1，t（i）2，t（i）3，....，t（i）J）]。腦電識(shí)別問(wèn)題主要是分類問(wèn)題，基本目的是將癲癇腦電與正常腦電進(jìn)行分類，對(duì)集合[{Ti，i=1，2，3，...，I）]中的元素，即[I]個(gè)腦電樣本信號(hào)的特征向量進(jìn)行分類。

2.1數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的目的主要是去除噪音信號(hào)和偽差信號(hào)的影響。主要有如下方法：

1）閾值初篩

如尖度（曲線的二次導(dǎo)數(shù)）、幅度、等效曲線下面積等特征量超過(guò)一定的閾值時(shí)判定為異常波。

2）專家特征

根據(jù)典型的干擾波形特征進(jìn)行初篩，去掉眨眼偽跡、電極偽跡、散發(fā)偽跡等[4]。

3）濾波

通過(guò)使用濾波器對(duì)腦電信號(hào)進(jìn)行濾波，得到有用頻帶的腦電信號(hào)，濾除頻帶外的干擾信號(hào)。腦電信號(hào)的有效信息大多集中在1-60Hz之間，一般采用帶通濾波器對(duì)EEG腦電信號(hào)進(jìn)行濾波[5]。

當(dāng)然還有半波處理、主成分分析、獨(dú)立成分分析等方法[1]。在半波處理[6]中對(duì)尖刺信號(hào)做了平滑處理；主成分分析（PCA）和獨(dú)立成分分析（ICA）的主要目的都在于從復(fù)雜的復(fù)合信號(hào)中分離眼部運(yùn)動(dòng)、心跳、或其他肌肉運(yùn)動(dòng)帶來(lái)的偽跡；在腦電主成分分析中，先進(jìn)行小波分解，得到信號(hào)組分后套用主成分分析算法[7]， 獨(dú)立成分分析[8]的目標(biāo)是找到偽跡信號(hào)和腦電信號(hào)的信號(hào)混合矩陣。

2.2腦電特征提取

主要問(wèn)題是腦電特征提取，主要有如下方法：

1）時(shí)域分析法

主要是模擬人工識(shí)別的方法，直接從時(shí)域腦電波中提取特征，例如模板匹配法：事先構(gòu)建一個(gè)由各種癲癇腦電波組成的模板集，計(jì)算被測(cè)腦電信號(hào)與其模板的差異，當(dāng)差異大小達(dá)到一定閾值時(shí)，判斷為癲癇信號(hào)[9]；擬態(tài)法，模仿人工視覺(jué)檢測(cè)癲癇腦電的過(guò)程，通過(guò)提取波形參數(shù)來(lái)識(shí)別腦電信號(hào)，例如將腦電信號(hào)分解為半波，提取幅度、周期、截距、近似熵等波形特征，然后進(jìn)行閾值判別[3]；在文獻(xiàn)[4]中，將微分盒維算法引入到腦電信號(hào)的分形維數(shù)計(jì)算中，以算得的分形截距為主要特征，分辨癲癇發(fā)作期和間歇期腦電。

2）頻域分析法

其基本思想是提取腦電信號(hào)的頻域特征，分析腦電頻域成分。由于腦電信號(hào)是時(shí)域隨機(jī)無(wú)限信號(hào)，常用的傅里葉變換不再采用，一般采用功率譜估計(jì)，即把幅度隨時(shí)間變化的腦電波變換為腦電功率隨頻率變化的譜圖，以得到腦電節(jié)律的分布和變換情況[3，10]。

3）時(shí)頻域分析法

在時(shí)頻域分析中同時(shí)分析時(shí)域上和頻域上的局部化特征，最頻繁使用的是小波分析[11]。相對(duì)于傅里葉變換，在小波分析中將無(wú)限長(zhǎng)的三角函數(shù)基換成了有限長(zhǎng)的會(huì)衰減的小波基，這樣不僅可以獲取頻率，還可以定位到時(shí)間。小波變換利用窗函數(shù)的平移與伸縮實(shí)現(xiàn)信號(hào)的多尺度分析，對(duì)信號(hào)的低頻分量采用寬時(shí)間窗口，對(duì)高頻分量采用窄時(shí)間窗口操作。

2.3 特征識(shí)別

在提取腦電特征后進(jìn)行分析，以識(shí)別異常腦電，主要方法有如下幾種：

1）聚類方法

聚類是常用的自動(dòng)分類方法之一，在癲癇識(shí)別中將不同腦電的特征向量進(jìn)行聚類分類[6，7]，聚類方法多樣，有K均值聚類，層次聚類，圖聚類等。聚類方法主要是基于距離的，怎樣衡量?jī)蓚€(gè)腦電信號(hào)的特征向量距離（差異），是提高腦電識(shí)別正確率的一個(gè)關(guān)鍵點(diǎn)。

2）神經(jīng)網(wǎng)絡(luò)分類

在神經(jīng)網(wǎng)絡(luò)分類法中，首先要經(jīng)過(guò)對(duì)樣本集的學(xué)習(xí)[12]。在網(wǎng)絡(luò)學(xué)習(xí)階段，通過(guò)調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)權(quán)重來(lái)實(shí)現(xiàn)輸入樣本與其相應(yīng)類別的對(duì)應(yīng)，最終得到神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)，一旦有新數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型就可以得到分類結(jié)果。常用的神經(jīng)網(wǎng)絡(luò)是后反饋學(xué)習(xí)機(jī)制的BP神經(jīng)網(wǎng)絡(luò)。

3）支持向量機(jī)

支持向量機(jī)（SVM）[13]是一種監(jiān)督式機(jī)器學(xué)習(xí)方法，其基本思想亦是對(duì)各腦電的特征向量樣本進(jìn)行二元分類，目的是尋找一個(gè)超平面來(lái)對(duì)特征向量樣本進(jìn)行分割，其技術(shù)關(guān)鍵是如何求解支持向量機(jī)參數(shù)，高維支持向量機(jī)問(wèn)題求解過(guò)程中主要是找到最適合樣本的核函數(shù)[5]。

當(dāng)然還有其他的一些分類方法，如極端學(xué)習(xí)機(jī)（ELM）[14]以及貝葉斯線性判別分析（BLDA）[1]。極端學(xué)習(xí)機(jī)算法實(shí)際上是一種改進(jìn)的前向傳播神經(jīng)網(wǎng)絡(luò)算法，而線性判別算法是一類多變量統(tǒng)計(jì)方法，其對(duì)高斯分布的樣本分類效果較好。

3 存在的問(wèn)題

1）目前的研究對(duì)象都是標(biāo)本數(shù)據(jù)，對(duì)于不同個(gè)體病人而言，腦電形態(tài)多樣，而腦電識(shí)別方法也有很多。針對(duì)個(gè)體病人的個(gè)性化醫(yī)療，如何選擇具體的腦電識(shí)別方法是一個(gè)問(wèn)題。

2）腦電信號(hào)復(fù)雜且多樣，針對(duì)復(fù)雜腦電信號(hào)的自動(dòng)識(shí)別方法還有待進(jìn)一步討論。

3）由于偽差來(lái)源多樣且干擾較大，與人工檢測(cè)方法相比，自動(dòng)檢測(cè)算法精度有待提高，需要更好的噪聲和偽跡信號(hào)清洗辦法。

4 結(jié)論

癲癇腦電的自動(dòng)識(shí)別提高了癲癇的診斷效率，本文介紹了一些目前采用的癲癇腦電自動(dòng)識(shí)別方法，包括數(shù)據(jù)預(yù)處理、腦電特征提取、腦電識(shí)別三個(gè)方面，還提出了癲癇腦電自動(dòng)識(shí)別中還存在的一些有待改進(jìn)的問(wèn)題。

參考文獻(xiàn)：

[1] 袁莎莎. 癲癇發(fā)作自動(dòng)檢測(cè)算法研究[D].山東：山東大學(xué)， 2016.

[2] 萬(wàn)柏坤，鄭旭媛，朱欣等.癲癇腦電特征波的綜合檢測(cè)分類方法研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)， 2002， 21（03）： 215-218， 245.

[3] 袁琦.癲癇腦電的分類識(shí)別及自動(dòng)檢測(cè)方法研究[D].山東：山東大學(xué)， 2014.

[4] 李瑩， 歐陽(yáng)楷. 自動(dòng)檢測(cè)兒童腦電中癲癇波的方法研究[J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)， 2005， 24（5）： 541-545.

[4] 張鵬博， 王雪， 張蔚航， 等. 癲癇發(fā)作瞬態(tài)帶寬特征自適應(yīng)檢測(cè)方法[J]. 儀器儀表學(xué)報(bào)， 2016， 37（6）： 1390-1397.

[5] 柳長(zhǎng)源， 張付浩，韋琦. 基于腦電信號(hào)的癲癇疾病智能診斷與研究[J]. 哈爾濱理工大學(xué)學(xué)報(bào)， 2018， 23（3）： 91-98.

[6] J. Gotman. Automatic seizure detection： improvement and evaluation [J]. Electroencephalography and Clinical Neurophysiology， 1990， 76（4）： 317-324.

[7] J. Kevric， A. Subasi. The effect of multiscale PCA de-noising in epileptic seizure detection [J]. Journal of medical systems， 2014， 38（10）：1-13.

[8] A. Delorme， T. Sejnowski and S. Mkeig. Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis [J]. Neuroimage， 2007， 34（4）： 1443-1449.

[9] D. S. L. Lloyd， C. D. Binnie and B. G. Batchelor. Pattern recognition in EEG[J]. Advances in Behavioral Biology， 1972， 5： 153-166.

[10] 李飛， 戴加飛， 李錦，等. 自回歸模型和隱馬爾可夫模型在癲癇腦電識(shí)別中的應(yīng)用[J].北京生物醫(yī)學(xué)工程， 2017， 36（5）： 479-482.

[11] 吳敏，韋志輝，湯黎明. 一種基于小波變換的腦電信號(hào)癲癇特征波的識(shí)別算法[J].中國(guó)醫(yī)療設(shè)備， 2008， 23（04）： 21-24.

[12] 張永勝， 劉愛(ài)萍， 郁可. 腦電信號(hào)數(shù)據(jù)壓縮及棘波識(shí)別的小波神經(jīng)網(wǎng)絡(luò)方法[J].生物醫(yī)學(xué)工程學(xué)雜志， 1999， 16（02）： 172-176.

[13] .黃瑞海， 杜守洪， 陳子怡，等. 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（05）： 919-924.

[14] 袁琦， 周衛(wèi)東， 李淑芳， 菜冬梅. 基于ELM和近似熵的腦電信號(hào)檢測(cè)方法[J].儀器儀表學(xué)報(bào)， 2012， 33（03）： 514-519.

【通聯(lián)編輯：唐一東】