基于數據挖掘技術的AD腦電定征輔助檢測技術探討*

郝麗俊 莫國民 王 艷 張志芳

①上海醫療器械高等專科學校 上海 200093

②上海交通大學附屬新華醫院 上海 200092

老年癡呆（AD）癥－學術上稱為阿爾茨海默氏癥。作為一種危害性較大的腦神經疾病，多發生在65歲以上人群，其發病機率僅次于心腦血管疾病和癌癥。此病病程遷延，呈進行性加重，拌有嚴重的記憶力減退，甚至產生錯覺和幻覺等精神病癥狀，給患者家庭及社會帶來嚴重的負擔。隨著生活水平的提高，人口組成老齡化趨勢的加重，如果人類不能找到有效的治療方法，25年后全球預計將有2 200萬人患上老年癡呆癥，到2050年患此疾病的人數將達4 500萬，老年癡呆癥將成為人類社會的流行病。

因此，研究對AD的無創檢測，為癡呆患者提供早期診斷手段，對預防該病的發生、發展具有重要的價值。

當前，腦功能異常和疾病的定征檢測技術是腦功能信息學最有實用價值的研究。該技術主要是通過對能反映腦功能異常和疾病的生理信號，進行處理分析和特征提取，找出特異性好、敏感性強、穩定性好的特征參量，識別腦功能異常和腦疾病定征。本課題主要從統計學的角度，從大量癡呆患者中隨機檢測若干樣本進行分析，找到能夠輔助診斷老年癡呆的EEG特征性信息。本次實驗對象與數據采集的實驗數據主要來自新華醫學腦電圖室。測量時，患者安靜閉目，靜坐。按照國際10～20系統電極法，將電極分別放置在兩前額、額、中央、頂、枕、前顳、中顳、后顳區等16個部位。

對照組：本課題的老年癡呆病例來自新華醫院腦電圖室20例。

研究組：同年齡段正常老年人10例。

對照兩組，正常老年人的EEG中，α波頻率稍有減慢，θ波數量稍有增多。AD患者由于腦皮層萎縮，常有異常改變，臨床表現為α波頻率更加減慢，β波減少，嚴重者α波、β波消失，θ波、δ波占主導。

臨床診斷為：θ波占50%以上時，為中度異常；δ波占50%以上時，為高度異常。

1 研究方法

EEG波形復雜，信號極其微弱，僅達μV級別，且頻率多集中在32 HZ以下，易受外界信號干擾。同時，由于個體差異、年齡差異、性別差異等都可能造成EEG的不同。

為較好地識別不同AD患者共有腦電的特征，并減小個體差異性的影響，本課題對EEG信號進行小波能量譜分析，隨機分析多組AD患者EEG信號，與正常腦電信號進行比對。以此為樣本采取數據挖掘技術，尋求特征明顯、穩定度高的特征參量，以此作為AD患者的輔助診斷依據。

1.1 單一AD患者EEG信號的小波能量譜分析

EEG是非平穩隨機信號，其頻率較低，主要集中在31 HZ以下，故傳統的時域分析法對異常腦電圖的判斷準確率比較低。

課題中，將各導聯采集到的EEG，采用小波變換進行腦電的能量譜分析，將信號分解到四個主要頻段，得到EEG中各波形的能量分布。

EEG信號有一個明顯的特點，即在低頻端應具有很高的頻率分辨率，而在高頻段的頻率分辨率可以較低。小波變換具有多分辨率特點，可對EEG信號低頻端做進一步的分解，對各頻段信號的檢測更為精確。

非平穩信號s（t）的小波變換定義為

式中小波變換的基函數

在實際應用中，通常將連續小波Φa,b(t)針對尺度a和平移參數b加以離散化。借助分辨率不同的正交小波基完成各低頻段的信號分析。

臨床核醫學影像研究表明：老年癡呆患者主要病變在海馬和皮質部位，表現為神經纖維纏結和腦萎縮及白質異常。由此推斷，AD患者EEG的異常應主要表現在顳、額和頂葉附近。

以一位79歲AD患者為例，其腦電信號見圖1。由圖1可得：正常老年人EEG背景波應主要集中在8～9 HZ，以低頻的α波為主，伴有少量的θ波；但該患者EEG信號頻率明顯減低，尤以兩額慢性活動明顯增加，背景波主要集中在7 HZ以下，以θ波和大量的波為主。

圖1 AD患者EEG與正常EEG的對比

對其額部的EEG進行功率譜分析，可得其能量分布，見圖2。

圖2 AD患者與正常老年人額部EEG能量分布百分比圖

通過小波能量譜分析，AD患者EEG能量譜異常率明顯高于正常EEG，表現為α波能量降低，δ波能量增多。

1.2 數據挖掘技術

數據挖掘（Data Mining）就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，發現令人感興趣的模式[2]，因此又稱為數據庫中的知識發現。它主要融合了人工智能、統計學、數據庫、機器學習等領域的技術。

數據挖掘的過程包括：數據清理、數據集成、數據選擇、數據變換、數據挖掘、模式評估和知識表示。

在數據挖掘中，預測性模型是一種重要的方向。在此，選用有監督的學習方法（見圖3）。通過多個不同程度的AD患者進行腦電分析，試圖找到一種具有普遍意義的比較明顯的癡呆腦電特征，并以此為癡呆患者診斷的一個參考依據驗證其他AD患者。

圖3 有監督的學習

數據挖掘中的時序模式能對基于時序的交易數據進行數據分析，而不考慮具體時間對交易中數據有效性的影響。這與我們尋求一般AD患者EEG具有代表性的特征參數是吻合的，

1.3 基于數據挖掘的腦電定征探索

基本模型：對20個樣本單一AD腦電信號的能量譜逐個分析，以兩額部能量分布百分比為研究對象。記錄并整理10個正常樣本的數據，求其能量分布百分比平均值，并記錄在表1中。

隨機從20個AD患者樣本中選取10個，并對樣本編號（1～10），各頻段能量與正常EEG能量分布百分比之差絕對值進行編碼（A：=0.5以上，B：=0.1～0.5，C：=0.05～0.1，D：=0.05以下），將結果記錄在表2、表3中。

表1 正常老年人在F3導聯處EEG能量分布百分比（總能量記作1）

表2：10個AD樣本EEG在F3導聯處EEG能量分布百分比

3 0.16 0.27 0.45 0.12 4 0.64 0.15 0.08 0.14 5 0.12 0.23 0.41 0.22 6 0.09 0.42 0.31 0.18 7 0.62 0.11 0.06 0.21 8 0.48 0.12 0.15 0.25 9 0.73 0.08 0.07 0.12 10 0.17 0.51 0.16 0.16

表3 10個AD樣本EEG在F3導聯處EEG能量分布百分比

從選取的樣本比較不同程度的AD患者EEG能量變化，發現一個明顯的規律：相對正常老年人的EEG，AD患者EEG信號的α波能量變化統計結果中都在B以上，即變化量都在10%以上。對于嚴重的AD患者，δ波能量變化比較明顯。

2 結果與分析

結合臨床診斷，以隨機10組數據為樣本分析，可推測AD患者額部EEG能量變化較大。對于不同程度的AD患者，低頻α波的能量百分比變化較為顯著，可以此為AD患者早期輔助診斷的重要依據。

3 討論

基于腦電信息的老年癡呆疾病的定征檢測技術可作為老年癡呆癥等重要的輔助診斷手段，幫助早期診斷和及時確診。而進一步將該技術與基于USB接口的腦電采集預處理系統結合，構建小型化、便捷化的老年癡呆診斷系統，則對于當前家用電腦普及下，老年癡呆早期診斷走向社區、走向家庭提供可能，方便獨居老人，行動不便的老人早期檢查，及時發現病情，進而達到及時治療的目的。

[1]范東輝.嚴重影響健康的老年癡呆癥[J].中華檢驗檢疫，2006(12):64.

[2]Peter H, George et al，Scientific American Alzheimer's pieeing together [J]. Scientific American,2001(3):235-239.

[3]張德明, 陸國平, 張伯英.老年性癡呆病與正常老年人腦電圖、腦電地形圖對照分析[J].中國臨床康復，2002,6(19):2876-2877.

[4]鄭崇勛、裴曉梅.腦神經功能信息學研究進展[J].中國生物醫學工程進展，2006,30(6):399-406.

[5]陳濱津，李 軼，張謙.小波分析在早老性癡呆腦電診斷中的應用[J].醫療衛生裝備，2005,26(7):1-2.

[6]丁崧，黃上騰.預測性模型中的一種數據挖掘算法[J].計算機工程與應用，2001,37(2):86-87.