基于局部模式的癲癇腦電信號自動分類方法

齊永鋒,李隴強(qiáng)

(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,蘭州 730070)

0 概述

癲癇是一種急性和復(fù)發(fā)性神經(jīng)疾病,其主要臨床癥狀表現(xiàn)為發(fā)作性抽搐和感覺、意識及精神障礙等,嚴(yán)重影響患者的日常生活和工作[1]。目前,對癲癇進(jìn)行臨床診斷的主要方法為CT掃描、磁共振波譜和腦電圖(Electroencephalogram,EEG)分析。與前2種方法相比較,EEG分析不對人體造成損傷且成本較低,因而成為當(dāng)前癲癇診斷的主流方法。癲癇診斷一般由醫(yī)生通過對患者的EEG數(shù)據(jù)分析,然后根據(jù)自己的臨床經(jīng)驗(yàn)來給出結(jié)論。由于癲癇發(fā)作的不確定性、個(gè)體差異性、其他大腦疾病及不明原因引起的神經(jīng)方面的異常,使得這種診斷方式容易造成誤診[2],因此通過計(jì)算機(jī)分析和自動識別癲癇腦電信號有著重要的現(xiàn)實(shí)意義。

文獻(xiàn)[3]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到癲癇自動檢測中,提出以“特征提取”結(jié)合“監(jiān)督型分類器”的設(shè)計(jì)理念,成為之后癲癇自動檢測的主要設(shè)計(jì)方法,而如何設(shè)計(jì)更優(yōu)秀的特征提取方式和分類器則成為探究的熱點(diǎn)。信號分析方法在特征提取方面起到了重要的作用,其應(yīng)用在EEG信號分析中主要分為時(shí)域、頻域、時(shí)頻域和非線性動力學(xué)四大類。近年來,線性預(yù)測[4]、分?jǐn)?shù)線性預(yù)測[5]、基于最小最大分類樹的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)[6]、小波變換[7-9]、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[10-11]等技術(shù)在診斷癲癇EEG信號方面取得了較好的效果。文獻(xiàn)[12]在假設(shè)EEG信號是靜止信號的基礎(chǔ)上,引入基于傅里葉變換(Fourier Transformation,FT)和決策樹的混合框架,其中FT用于特征提取,決策樹用于分類。文獻(xiàn)[13]使用希爾伯特-黃變換(Hilbert-Huang Transform,HHT)結(jié)合支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行癲癇EEG信號分類,從得到的灰度子圖像直方圖中提取像素強(qiáng)度的均值、方差、偏度和峰度4個(gè)統(tǒng)計(jì)特征,其分類準(zhǔn)確率能夠達(dá)到99.125%。

基于局部模式變換的特征提取技術(shù)由于計(jì)算相對簡單,被廣泛用于不同的模式識別,例如將局部二進(jìn)制模式(Local Binary Patterns,LBP)應(yīng)用在人臉識別、語音處理等領(lǐng)域[14-15]。但是該算法對噪聲比較敏感,中心點(diǎn)像素受到噪聲污染后使得特征點(diǎn)發(fā)生變化,無法處理窗口的中心像素點(diǎn)與鄰近像素點(diǎn)像素值相等的情況,導(dǎo)致提取的局部特征不完整,難以進(jìn)一步挖掘信號中隱藏的細(xì)節(jié)信息。

針對上述問題,本文提出一種癲癇EEG信號的分類方法,通過設(shè)計(jì)的一維局部三值模式(1D Local Ternary Pattern,1D-LTP)算子,提取信號的局部三值特征,對其主成分分析(Principal Component Analysis,PCA)降維后用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)進(jìn)行分類。

1 癲癇EEG信號的分類方法

本文的癲癇EEG信號分類流程如圖1所示。

圖1 癲癇EEG信號分類框架

1.1 一維局部二值模式

LBP描述算子是一種簡單但高效的紋理運(yùn)算符,它將各個(gè)像素與其附近的像素進(jìn)行比較,并把結(jié)果保存為二進(jìn)制數(shù),即當(dāng)中心像素值小于等于鄰域像素值時(shí),該像素點(diǎn)的位置賦值為1,否則為0,最后形成二進(jìn)制序列并進(jìn)行編碼,結(jié)果即為中心像素的LBP值[16],其計(jì)算過程如式(1)與式(2)所示。

(1)

(2)

其中,(xk,yk)是中心像素,fk是其灰度值,fi為相鄰像素的灰度值。當(dāng)鄰域大小為3像素×3像素時(shí),(M,L)取值為(8,1),n=9,即為8像素鄰域,LBP 編碼過程如圖2所示。

圖2 LBP算子示意圖

1.2 一維局部三值模式算子

LBP具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn),但對噪聲比較敏感,并且算子本身不夠完善,提取的局部特征不完整。為了降低對中心點(diǎn)像素值的依賴,減少噪聲影響,提取更具鑒別性的特征,本文提出1D-LTP算子。該算子也是局部紋理描述算法,但較LBP更具判別性并且受到統(tǒng)一區(qū)域的噪聲影響更小。1D-LTP通過計(jì)算頂層模式及底層模式的二值編碼轉(zhuǎn)換為二值模式。本文運(yùn)用此方法將信號特征值擴(kuò)大一倍,最后進(jìn)行合并,大幅減小了噪聲及個(gè)別值的影響,其計(jì)算過程如下所示。

(3)

其中,nS表示信號點(diǎn)S在信號段n中的位置。

計(jì)算選取信號段的均值M及標(biāo)準(zhǔn)差ρ,對于每個(gè)信號點(diǎn)S,求其與選取信號段的均值的差值,差值計(jì)算如式(4)所示。

di=S-M

(4)

根據(jù)式(5)計(jì)算信號點(diǎn)S的1D-LTP變換碼。

(5)

(6)

1D-LTP算子涉及的各個(gè)步驟如圖3所示。

圖3 信號點(diǎn)S的1D-LTP變換碼

1D-LTP算子的時(shí)間復(fù)雜度計(jì)算如下:設(shè)M是由k個(gè)點(diǎn)組成的信號,每個(gè)信號點(diǎn)考慮相鄰點(diǎn)組成的信號長度n(n

1.3 基于直方圖的特征向量

每個(gè)變換代碼表示信號的局部模式結(jié)構(gòu),本文將其轉(zhuǎn)換為變換代碼直方圖。直方圖以圖形方式總結(jié)了二維空間中的結(jié)構(gòu)分布,其中橫軸包含變換代碼的范圍,縱軸包含每個(gè)代碼的頻率(出現(xiàn)次數(shù))。本文以圖形結(jié)構(gòu)表示特征向量并用于分類,實(shí)驗(yàn)中不同組基于1D-LTP算子獲得的一小段特征直方圖如圖4所示。

圖4 1D-LTP特征直方圖

1.4 特征降維及分類

本文將直方圖表示對應(yīng)的EEG信號的特征向量經(jīng)PCA降維后輸入到ELM分類器中。為避免分類結(jié)果受隨機(jī)性的影響,在進(jìn)行分類時(shí),隨機(jī)選擇90%的特征值作為訓(xùn)練集,剩余的10%用作測試集。本文以正常和癲癇發(fā)作間期的EEG為負(fù)類,發(fā)作期EEG為正類,使用ELM進(jìn)行分類的步驟如下:

步驟1采用PCA對提取的特征進(jìn)行降維。

步驟2隨機(jī)選取降維樣本的10%構(gòu)成測試樣本集,其余樣本組成訓(xùn)練樣本集,計(jì)算測試精度。

步驟3隨機(jī)選取降維樣本的另外10%構(gòu)成測試樣本集,其余的樣本組成訓(xùn)練樣本集,計(jì)算測試精度。

步驟4重復(fù)步驟3,直至遍歷每個(gè)樣本。

其中,隨機(jī)化處理是為了使訓(xùn)練樣本集更具代表性,不會對最終測試結(jié)果造成影響。

2 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)數(shù)據(jù)來自于德國波恩大學(xué)腦電圖數(shù)據(jù)庫,數(shù)據(jù)集詳細(xì)描述見文獻(xiàn)[17]?；鶞?zhǔn)數(shù)據(jù)集由5個(gè)組(A、B、C、D和E)組成,每組有100個(gè)單通道EEG信號,記錄每個(gè)EEG信號23.6 s,含有4 097個(gè)采樣點(diǎn),采樣頻率為173.6 Hz。A組是5名健康自愿者在睜眼狀態(tài)下采集的腦電數(shù)據(jù)集,B組是5名健康自愿者在閉眼狀態(tài)下采集的腦電數(shù)據(jù)集,C組是5名癲癇病患者在癲癇發(fā)作間期在致癇灶對側(cè)域采集的腦電數(shù)據(jù)集,D組是5名癲癇病患者在癲癇發(fā)作間期在致癇灶內(nèi)域采集的腦電數(shù)據(jù)集,E組是5名癲癇病患者在癲癇發(fā)作期在致癇灶內(nèi)域采集的腦電數(shù)據(jù)集[17]。各個(gè)類別的EEG信號如圖5所示。

圖5 癲癇EEG信號

本文計(jì)算每個(gè)信號點(diǎn)的特征變換碼以直方圖的形式排列,并對所有信號重復(fù)該過程。不同組基于1D-LTP特征變換碼的直方圖如圖6所示。

圖6 EEG信號的1D-LTP特征直方圖

本文采用了敏感度、特異性和準(zhǔn)確率[18]對分類性能進(jìn)行評價(jià),三者計(jì)算方法如下:

(7)

(8)

(9)

其中,TP為正樣例中正確歸類的數(shù)目,TN為負(fù)樣例中正確歸類的數(shù)目,FP為負(fù)樣例中錯(cuò)誤歸類的數(shù)目,FN為正樣例中錯(cuò)誤歸類的數(shù)目用來表示分類錯(cuò)誤。

本文實(shí)驗(yàn)案例均是處理二進(jìn)制分類的問題,具體案例如下:

案例1A組和E組混合數(shù)據(jù)。

案例2B組和E組混合數(shù)據(jù)。

案例3C組和E組混合數(shù)據(jù)。

案例4D組和E組混合數(shù)據(jù)。

案例55組混合數(shù)據(jù)。

使用本文方法獲得的靈敏度、特異性和準(zhǔn)確率如表1所示。

表1 本文方法各案例分類結(jié)果

Table 1 Classification results of each case using the proposed method

案例靈敏度/%特異性/%準(zhǔn)確率/%案例199.8799.7199.79案例299.2499.0699.15案例398.9599.3199.13案例499.1498.7298.93案例598.0598.3098.20

從表1可以看出,1D-LTP算子對5個(gè)案例的分類準(zhǔn)確率均較高,分別為99.79%、99.15%、99.13%、98.93%以及98.20%，這說明本文方法合理有效。

在本文方法中,特征向量的長度l取決于在評估變換代碼時(shí)考慮的相鄰點(diǎn)n的數(shù)量,其關(guān)系為:

l=2n

(10)

本文實(shí)驗(yàn)驗(yàn)證了不同相鄰點(diǎn)數(shù)量對分類準(zhǔn)確率的影響,結(jié)果如圖7所示。從圖7可以看出,當(dāng)相鄰點(diǎn)的數(shù)量n=8時(shí),特征向量的長度為256,分類準(zhǔn)確率最高。

圖7 不同數(shù)量相鄰點(diǎn)的1D-LTP性能

Fig.7 1D-LTP performance of different numbers of adjacent points

在n=8的情況下,將本文方法與其他方法對癲癇EEG信號的識別準(zhǔn)確率進(jìn)行比較,結(jié)果如表2所示。其中,對比方法均采用10折交叉進(jìn)行評估。從表2可以看出,本文方法能夠?qū)崿F(xiàn)高精度分類。

表2 不同分類方法準(zhǔn)確率對比

Table 2 Accuracy comparison of different classification methods

案例方法 分類準(zhǔn)確率/%案例1DTCWT+CVANN[19]100.00加權(quán)排列熵+SVM[20]99.50HHT+SVM[13]99.13小波變換+ANN[21]96.00本文方法99.79案例2LNDP+ANN[22]99.25加權(quán)排列熵+SVM[20]85.00置換熵+SVM[23]82.88本文方法99.15案例31D-LGP+ANN[22]99.10加權(quán)排列熵+SVM[20]93.50模糊近似熵+SVM[24]99.60置換熵+SVM[23]88.00本文方法99.13案例41D-LGP+ANN[22]99.07加權(quán)排列熵+SVM[20]96.50模糊近似熵+SVM[24]95.85本文方法98.93案例5DTCWT+CVANN[19]99.15模糊近似熵+SVM[24]97.38本文方法98.20

3 結(jié)束語

本文提出一維局部三值模式算子1D-LTP,并將其應(yīng)用于癲癇腦電信號的分類。相對于LBP算子,該算子能較好地反映數(shù)據(jù)間的相關(guān)性,得到的腦電特征具有良好的鑒別性,且對噪聲不敏感,在一定程度上減少了噪音影響及特征丟失的情況。在波恩大學(xué)癲癇病研究中心數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,本文方法能夠?qū)Πd癇腦電信號進(jìn)行準(zhǔn)確區(qū)分,分類準(zhǔn)確率可達(dá)99.79%,為快速準(zhǔn)確地自動診斷癲癇疾病提供了一個(gè)解決方案。