基于腦電信號提取與識別的癲癇預測研究*

韋曉燕，周霖，周毅△

(1. 中山大學中山醫學院，廣州 510080； 2. 中山大學 數據科學與計算機學院，廣州 510006)

1 前 言

癲癇是一種由于大腦異常同步放電且具有連續發作特征的慢性疾病，藥物治療和手術切除是主要的治療形式，其發作往往具有不可預測性，給患者造成帶來極大的心理壓力與工作生活困難[1]。1970s年學者發現癲癇發作前一段時間信號表現出不同程度的顯著變化，通過量化腦電(electroencephalography, EEG)變化能夠提前預測癲癇發作以便提供臨床治療[2]。2013年發表于《柳葉刀神經病學》的開創性研究表明預測癲癇發作具有可行性[3]。關于癲癇預測的研究接踵而至，但統計驗證和可重復性實驗缺乏[4]。

到目前為止，癲癇發作研究眾多，但沒有專門致力算法預測框架的整體方法論。我們從癲癇發作預測基本原則出發，聚焦于EEG數據的單變量和多變量特征提取，考慮預測模型以及性能評價。

2 癲癇發作預測

2.1 癲癇發作預測研究的基本準則

癲癇發作預測在于檢測癲癇發作前的信號特征變化。大量研究發現，在發作間期和發作期之間存在一個過渡期，稱為癲癇發作前期。因此，癲癇發作的預測可以被視為發作前期的早期檢測[5]。圖1給出了癲癇發作過程不同時期的過渡。

圖1EEG癲癇發作過程

Fig1TransformationofepilepticseizuresofEEG

2.2 癲癇預測的研究框架

癲癇預測的研究通過數據預處理，接著提取不同特征指標顯示癲癇發作前期的變化，通過閾值-分類方法進而預測，最后評估算法。如圖2所示，以一種方法論的方式回顧基于算法的研究。

圖2癲癇預測框架流程圖

Fig2Frameworkofepilepticprediction

2.2.1數據獲取 數據形式和公共數據集

腦電信號記錄的形式多種多樣，包括頭皮腦電(scalp EEG,EEG)，顱內腦電(intracranial EEG , iEEG)，功能磁共振成像等，以EEG為主。但數據樣本少，制約了評估算法的性能[6]。用Kendall’s tau系數表示癲癇發作的敏感度與發作次數和平均記錄時間具有統計學意義的關聯性，提出需要連續長期EEG記錄評估算法性能。近年來網絡公共數據庫開始出現[7-8]，見表1。相關研究[9]已經開始采用便攜式腦電儀采集數據。

2.2.2信號預處理 (1)去噪和過濾

高效算法的實現得益于高質量數據的獲取。初期需要人工刪除壞段，進行目視檢驗。根據腦電信息濾波器范圍一般維持在0.3～35 Hz左右。同時在腦電記錄過程中因外部因素引起信號偽跡。常使用偽跡減法、小波變換、獨立分量分析和經驗模式分解等去除偽跡[10-11]。

表1網絡癲癇公共數據集

Table 1 Web-based seizure prediction databases

(2)數據分段

由于腦電信號是非平穩數據，窗口時間應保證數據的平穩性，包括重疊滑動窗和非重疊滑動窗[12]。其中重疊滑動窗口可以保證數據的連續性，但易造成信息冗余，因此多采用非重疊滑動窗口。一般情況下由神經電生理專家指導確定，累積經驗發現其時間窗口設置在5～60 s不等[13]。

(3)發作前期確定

25年前癲癇發作預測時間的可行性調查就已開始，但至今沒有標準。Teixeiera等人[14]測試了278位患者數據，分別設定10, 20, 30，40 min發作前期，發現設置更長的發作前期時間預測錯誤率顯著地降低，其中最優預測為30.47 min。Bandarabadi等人[15]使用振幅發布直方圖確定分界點。設置發作前5～180 min，最佳預測在44.3 min。與之相反的是Moghim[16]提出0～20 min發作時間可變方法，發現針對同一患者其發作前期設定也有不同。對于發作前期時間的設定需要經過大量實驗摸索得到，缺乏統計驗證。

2.2.3特征提取 衡量癲癇腦電活動的特征指標見圖3。從特征提取從變量和方法學角度出發，可以分為單變量線性提取，單變量非線性提取，多變量線性提取，多變量非線性提取[17]。

(1) 單變量線性度量

早期的癲癇特征提取是基于信號最基本的特征屬性在時域、頻域、時頻方向進行刻畫。在時域上劉銀霞報道了在發作前期狀態下峰度和方差提出棘波頻次計算方法[18]。在頻域上Boubchir發現癲癇發作時會比未發作時能量明顯增大[19]。Gao[20]等使用小波能量和EMD分解計算其波動指標作為特征。雖對信號描述能力較好，但對數據平穩性和線性要求較高。

圖3癲癇特征提取理論圖

Fig3Seizurefeatureextraction

(2)單變量非線性度量

事實上大腦作為混沌系統，基于非線性動力學的分析方法被引。其一基于系統復雜性分析，研究表明癲癇發作時期大腦復雜度降低，如近似熵，樣本熵等[21]。其二基于系統混沌性分析，發作前期其混沌性降低，如相關維數，最大Lyapunov指數[22]。其三基于系統反持久性分析，如Hurst指數指示癲癇未發作信號的持久性低于發作期[23]。很多學者只對一個或者幾個特征指標進行研究，需要綜合多特征全面研究。

(3)雙變量線性度量

癲癇放電往往從某一區域起源，隨著放電的持續進行不斷向周圍傳播。使用雙變量方法能夠有效地跟蹤前期發作狀態。其中最常用的是互相關分析，用于量化2個時間序列的互相關系數，進而提取等效寬度等指標[24]。Bandarabadi[25]等將光譜功率的使用擴展到雙變量方法，量化不同頻帶和信道之間的跨功率信息。

(4)雙變量非線性度量

研究表明在發作過程中非線性系統的同步性必然高于未發作時期。Acharya等人回顧了4種同步性度量(最大互相關指數，非線性相互依賴性，短期Lyapunov指數差異性)作為EEG特征來進行預測[26]。 Mormann等比較了8種不同的雙變量非線性特征，發現平均相位相干指數和條件概率指數表現較好[27]。但是計算的同步性也只是延遲一定時間的同步。

2.2.4預測 在以上基礎上提出了癲癇發作預測研究的核心算法，分別是基于閾值預測和標簽多分類問題。

(1)閾值預測

癲癇預測的重點在于區分不同時期的狀態變化，因此根據發作間期設定正常閾值，通過發作前期是否超過閾值來判斷。Aarabi 和He計算發作間期的特征值確定閾值置信區間，設置三次閾值，如果發作前期特征值超過該閾值，則標記發出預警[28]。Zhang通過設置正常腦電數據醫學參考值確定最優導聯下的閾值，一旦發作前期的特征值偏離醫學參考值范圍，就有理由相信這段數據異常從而來進行預測[29]。見圖4。

圖4基于閾值的癲癇預測算法圖

Fig4Methodsforseizurepredictionbythreshold

(2)分類預測

對數據進行標注轉化為分類問題。使用若干種分類器，包括徑向基網絡，BP網絡，Elman網絡以及貝葉斯網絡等比較預測癲癇發作的性能[30]。支持向量機是應用有效的方法，同時敏感支持向量機用來處理不平衡采樣數據[31]。隨著深度學習的崛起，開始出現部分使用深度學習來進行癲癇預測的研究，例如，IBM公司使用深度卷積神經網絡預測癲癇發作[32]。2014年Kaggle癲癇發作預測挑戰賽其top3中第一名使用人工特征+隨機森林方法，第二名使用的即是深度學習方法[33]。這些基于機器學習方法的預測，為癲癇研究奠定了基礎。

圖5癲癇發作自動預測流程圖

Fig5Flowchartofautomatedseizureprediction

2.2.5性能評價 (1)性能描述

如果報警后在控制范圍內實際出現了發作，稱之為正確預測；否則是錯誤預測。常采用敏感度、特異、準確度等和錯誤預測率評估[34]。敏感度通常被量化為發作前期正確分類的概率；特異度指在未發作片段內其最終未發作的概率；準確度指正確分類的樣本占總樣本比例；錯誤預測率指如果癲癇實際發作了，在預測范圍內發作沒有報警的概率[35]。

(2)統計檢驗

測試模型性能是否優于偶然預測十分重要。一般包括基于蒙特卡羅的數值驗證和隨機預測器分析驗證[36]，其中基于蒙特卡羅模擬提出發作時間替代概念來彌補性能統計驗證。該方法由隨機洗牌原發性發作時間，以產生人為設定時間進行性能比較。但此種方法容易增加虛假預測率。而第二種是從得到的分析結果進行比較(隨機或周期性)預測方案[37]。通過預測算法與其比較，確定其統計學意義，排除隨機干擾。

3 討論與展望

基于上述回顧了癲癇發作預測框架中出現的整體框架以及不足。隨著信號處理和人工智能技術的進步，對于癲癇研究來說有更多的可能性。

從數據收集的角度出發，允許高采樣率和高頻振蕩(80～500 Hz)的檢測，獲取大樣本數據量來實現大數據分析處理。并且現在也出現了多模態數據，包括圖像，視頻，電子病歷等，如何融合這些信息進行數據挖掘也是一大難點。

在癲癇發作預測研究中需要選擇合適的電極。目前臨床使用的是32導聯，科研使用64～128導聯，并且以后導聯數目會不斷增加。但并不是所有導聯都是必須的，比如針對于局灶性癲癇其發作區域固定在某一大腦范圍。

目前預測模型還是小樣本人工特征+機器學習方法，缺乏統計驗證。深度學習具有強大的自學習能力，其中卷積神經網絡可以自動學習原始腦電特征，循環神經網絡考慮到時間順序來進行輸出,墨爾本大學癲癇研究中心提出從EEG數據集解讀與癲癇發作有關的電活動類似于計算機視覺領域的對象識別任務。

從回顧中可以看出，在癲癇發作預測框架中的每個模塊可以在未來進行改進，重要的是采取這種全面的發作預測框架來實現更可靠準確的性能表現。