淺談癲癇腦電自動識別技術

王進剛 羅旭

摘要：腦電特征識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別方法，包括數據預處理、腦電特征提取、腦電特征識別三個方面，指出了目前該方面研究存在的一些問題，最后給出總結。

關鍵詞： 癲癇； 腦電特征； 數據預處理； 特征提取； 特征識別

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2019）12-0205-02

開放科學（資源服務）標識碼（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

癲癇是大腦神經元突發性異常放電導致短暫的大腦功能障礙的一種慢性疾病。其長期頻繁的發作對患者的身心、智力產生嚴重影響。尤其是兒童癲癇，其病因復雜、反復發作對兒童發育造成嚴重危害。

癲癇的發病主要體現為神經異常放電以及腦電波異常，因此腦電檢測是癲癇診斷重要手段以及隨訪體檢的主要項目之一。腦電信號為非平穩信號，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，需要多點采樣，主要有頭皮腦電波和深部腦電波，其中頭皮腦電探測簡單易行，難度和成本較低，大多數病人可以接受，因此比較常用，但缺點是存在較多的噪聲與干擾，偽差較多[2]。

目前癲癇腦電識別的主流還是基于人工手段識別，即由醫生對腦電波進行長時間監測，而后做出診斷。此方法耗時長，且費時費力。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檢測與識別方法。本文歸納并分析了幾種自動癲癇腦電檢測方法，指出了其中的一些問題。

2 腦電自動識別方法

癲癇腦電的識別一般分為三個步驟，首先是源信號數據的預處理，主要是數據的清洗和濾波，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、波動系數等，最后是癲癇腦電的識別[3]。

假定[fi]為第[i]個腦電樣本信號，那么特征提取問題即是求[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]個特征分量，映射關系為[fi→Ti=（t（i）1，t（i）2，t（i）3，....，t（i）J）]。腦電識別問題主要是分類問題，基本目的是將癲癇腦電與正常腦電進行分類，對集合[{Ti，i=1，2，3，...，I）]中的元素，即[I]個腦電樣本信號的特征向量進行分類。

2.1數據預處理

數據預處理的目的主要是去除噪音信號和偽差信號的影響。主要有如下方法：

1）閾值初篩

如尖度（曲線的二次導數）、幅度、等效曲線下面積等特征量超過一定的閾值時判定為異常波。

2）專家特征

根據典型的干擾波形特征進行初篩，去掉眨眼偽跡、電極偽跡、散發偽跡等[4]。

3）濾波

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

當然還有半波處理、主成分分析、獨立成分分析等方法[1]。在半波處理[6]中對尖刺信號做了平滑處理；主成分分析（PCA）和獨立成分分析（ICA）的主要目的都在于從復雜的復合信號中分離眼部運動、心跳、或其他肌肉運動帶來的偽跡；在腦電主成分分析中，先進行小波分解，得到信號組分后套用主成分分析算法[7]， 獨立成分分析[8]的目標是找到偽跡信號和腦電信號的信號混合矩陣。

2.2腦電特征提取

主要問題是腦電特征提取，主要有如下方法：

1）時域分析法

主要是模擬人工識別的方法，直接從時域腦電波中提取特征，例如模板匹配法：事先構建一個由各種癲癇腦電波組成的模板集，計算被測腦電信號與其模板的差異，當差異大小達到一定閾值時，判斷為癲癇信號[9]；擬態法，模仿人工視覺檢測癲癇腦電的過程，通過提取波形參數來識別腦電信號，例如將腦電信號分解為半波，提取幅度、周期、截距、近似熵等波形特征，然后進行閾值判別[3]；在文獻[4]中，將微分盒維算法引入到腦電信號的分形維數計算中，以算得的分形截距為主要特征，分辨癲癇發作期和間歇期腦電。

2）頻域分析法

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

3）時頻域分析法

在時頻域分析中同時分析時域上和頻域上的局部化特征，最頻繁使用的是小波分析[11]。相對于傅里葉變換，在小波分析中將無限長的三角函數基換成了有限長的會衰減的小波基，這樣不僅可以獲取頻率，還可以定位到時間。小波變換利用窗函數的平移與伸縮實現信號的多尺度分析，對信號的低頻分量采用寬時間窗口，對高頻分量采用窄時間窗口操作。

2.3 特征識別

在提取腦電特征后進行分析，以識別異常腦電，主要方法有如下幾種：

1）聚類方法

聚類是常用的自動分類方法之一，在癲癇識別中將不同腦電的特征向量進行聚類分類[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，怎樣衡量兩個腦電信號的特征向量距離（差異），是提高腦電識別正確率的一個關鍵點。

2）神經網絡分類

在神經網絡分類法中，首先要經過對樣本集的學習[12]。在網絡學習階段，通過調整網絡節點權重來實現輸入樣本與其相應類別的對應，最終得到神經網絡模型的主要參數，一旦有新數據輸入神經網絡模型就可以得到分類結果。常用的神經網絡是后反饋學習機制的BP神經網絡。

3）支持向量機

支持向量機（SVM）[13]是一種監督式機器學習方法，其基本思想亦是對各腦電的特征向量樣本進行二元分類，目的是尋找一個超平面來對特征向量樣本進行分割，其技術關鍵是如何求解支持向量機參數，高維支持向量機問題求解過程中主要是找到最適合樣本的核函數[5]。

當然還有其他的一些分類方法，如極端學習機（ELM）[14]以及貝葉斯線性判別分析（BLDA）[1]。極端學習機算法實際上是一種改進的前向傳播神經網絡算法，而線性判別算法是一類多變量統計方法，其對高斯分布的樣本分類效果較好。

3 存在的問題

1）目前的研究對象都是標本數據，對于不同個體病人而言，腦電形態多樣，而腦電識別方法也有很多。針對個體病人的個性化醫療，如何選擇具體的腦電識別方法是一個問題。

2）腦電信號復雜且多樣，針對復雜腦電信號的自動識別方法還有待進一步討論。

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

4 結論

癲癇腦電的自動識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識別方法，包括數據預處理、腦電特征提取、腦電識別三個方面，還提出了癲癇腦電自動識別中還存在的一些有待改進的問題。

參考文獻：

[1] 袁莎莎. 癲癇發作自動檢測算法研究[D].山東：山東大學， 2016.

[2] 萬柏坤，鄭旭媛，朱欣等.癲癇腦電特征波的綜合檢測分類方法研究[J].中國生物醫學工程學報， 2002， 21（03）： 215-218， 245.

[3] 袁琦.癲癇腦電的分類識別及自動檢測方法研究[D].山東：山東大學， 2014.

[4] 李瑩， 歐陽楷. 自動檢測兒童腦電中癲癇波的方法研究[J]. 中國生物醫學工程學報， 2005， 24（5）： 541-545.

[4] 張鵬博， 王雪， 張蔚航， 等. 癲癇發作瞬態帶寬特征自適應檢測方法[J]. 儀器儀表學報， 2016， 37（6）： 1390-1397.

[5] 柳長源， 張付浩，韋琦. 基于腦電信號的癲癇疾病智能診斷與研究[J]. 哈爾濱理工大學學報， 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別中的應用[J].北京生物醫學工程， 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癲癇特征波的識別算法[J].中國醫療設備， 2008， 23（04）： 21-24.

[12] 張永勝， 劉愛萍， 郁可. 腦電信號數據壓縮及棘波識別的小波神經網絡方法[J].生物醫學工程學雜志， 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（05）： 919-924.

[14] 袁琦， 周衛東， 李淑芳， 菜冬梅. 基于ELM和近似熵的腦電信號檢測方法[J].儀器儀表學報， 2012， 33（03）： 514-519.

【通聯編輯：唐一東】