基于腦電信號的耳鳴識別算法研究

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特征，利用生物信號處理的方法對耳鳴患者的腦電信號與正常人腦電信號進行分類識別，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平臺上對顳葉區靜息態腦電信號進行預處理；然后對腦電信號進行EMD分解，提取對應IMF分量的能量作為特征值；最后采用SVM分類算法對患者與正常被試者的腦電信號進行分類識別。結果：利用19例靜息態腦電信號對算法進行驗證，其中有11例正常被試者的腦電信號被識別出來，3例患者的腦電信號被識別出來，總識別率達到73.68%。結論：顳葉區靜息態腦電信號與耳鳴疾患之間有一定的關聯性，可以依據腦電信號來識別耳鳴疾病，對臨床診斷具有一定的輔助作用。

關鍵詞 耳鳴；腦電信號；小波變換；EMD；SVM

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）214-0105-03

耳鳴是在外界沒有相應聲源或電刺激存在的情況下，患者主觀感覺耳內或者顱內有聲響的現象。耳鳴是一種常見的臨床癥狀，其發病率呈逐年上升的趨勢，耳鳴常伴有煩燥、睡眠質量差、注意力難以集中等癥狀。因此，借助醫療技術來輔助診斷耳鳴病例和監測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，主要根據患者的病史、癥狀、聽覺系統的測試、影像學檢查、評估量表和心理聲學評估等進行臨床診斷與分析，由于耳鳴的產生和延續與患者的心理因素有密切關系，所以在臨床中缺乏客觀檢測和評估耳鳴的方法，臨床中的主觀判斷可能為耳鳴確診帶來誤差。文獻表明，中樞神經系統特別是大腦皮層與耳鳴的產生和維持有關。因此，利用腦電信號（EEG）來分析耳鳴疾患具有一定的研究依據。具有多分辨率的小波變換是分析非平穩信號時頻局化的有效方法；經驗模態分解（Empirical Mode Decomposition， EMD）對于分析非線性、非平穩的EEG具有較明顯的優勢。本文根據EEG的特點，采用小波變換去除EEG中的眼電偽跡，再利用EMD算法提取腦電信號的特征，構建特征值表作為支持向量機（Support Vector Machine，SVM）的輸入，利用SVM分類器識別正常與患者的腦電信號。算法流程圖如圖1所示。

1 腦電信號預處理

本文研究對象為耳鳴病程1個月以上的持續性耳鳴患者，腦電數據來源于中山大學孫逸仙紀念醫院耳鼻喉科，共39例靜息態腦電信號，其中包括患者13例，正常被試者26例，年齡18～56歲，所有被試者在檢測前簽署了知情同意書，所有患者已在臨床確診為耳鳴。設備為便攜式64通道腦電測量儀，采樣頻率1kHz，根據大腦皮層功能分區篩選出10導數據，主要分布于負責聽覺功能的顳 葉區。

原始信號中含有明顯的眼電干擾，利用小波消噪技術對原始信號進行預處理，方法如下：選取sym5小波作為小波基函數，對信號進行7層分解；然后運用局部閾值法處理含噪信號的各子頻帶；最后重構出處理后的信號，結果如圖2所示，圖中顯示幅值明顯的眼電噪聲得到較好地抑制，且去噪后信號最大限度地保留了原始信號的有用 成分。

2 腦電信號特征提取

經驗模態分解（EMD）是用于處理非線性和非平穩信號的一種分析方法。EMD分解算法基于一個假設：

3 基于SVM分類模型的耳鳴識別

SVM是一種有效地實現有序風險最小化的模式識別方式，也是基于小樣本的一種學習方法，SVM克服了BP網絡過學習、欠學習及訓練需要大量數據樣本的缺點，即使訓練樣本數量很少也能進行訓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最優的分類超平面，使得不同的訓練集正確分開，且要求到超平面距離最近的不同樣本集之間的間隔最大，從而達到最大的泛化能力。線性可分的最優分類超平面如圖6所示，其中實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，支持向量為兩虛線的間隔最大時虛線上的點。SVM是最優超平面和二次規劃等技術相結合的方法，且泛化能力較強、魯棒性較好，從而使誤差非常小，較好解決實驗數據量不足、非線性和多維數據等 問題。

4 討論

本文利用EMD算法對EEG進行分解從而提取IMF分量的能量作為特征值，利用SVM進行算法驗證，19例測試樣本中有14例判斷正確，其中異常全部被檢測出來，可見靜息態EEG與耳鳴疾患之間有一定的關聯性，繼續進行深入研究，有望依據EEG來識別耳鳴疾病，進行療效監控，對臨床診斷起到一定的輔助作用。

參考文獻

[1]李桓，汪志山.耳鳴的診斷和治療進展[J].河北醫科大學學報，2011，32（11）：1354-1357.

[2]陳英，王建明.耳鳴診斷方法的新進展[J].中國當代醫藥，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]，生物醫學工程研究，2016，35（2）：71-74.

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

[6]楊晨.基于經驗模式分解（EMD）的腦信號研究[D].南京：南京郵電大學，2015.

[7]王琬.基于支持向量機的腦電信號識別[D].武漢：華中科技大學，2007.

[8]黃瑞梅，張振.基于支持向量機的癲癇腦電信號模式識別研究[J].生物醫學工程學雜志，2013，30（5）：919-924.

[9]趙建林，周衛東.SVM和小波分析方法在腦電分類中的應用[J].生物醫學工程學雜志，2011，28（2）：277-279.

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