基于局部特征尺度分解及分形維數的EEG 監測程序研制

宮晶GONG Jing；盛沛SHENG Pei

（①海軍航空大學，煙臺264001；②解放軍970 號醫院，威海264200）

0 引言

腦電信號是典型的的非平穩、非線性信號[3]。在該信號處理領域，大量學者進行了諸多嘗試。以希爾伯特黃變換（Hilbert-Huang Transform，HHT）為代表的腦電信號特征提取研究作為一種十分適合分析該類信號的時頻分析法越來越流行。該算法由兩部分組成：經驗模式分解（Empirical Mode Decomposition，EMD）和希爾伯特變換（Hilbert Transform，HT），EMD 是算法的核心。為進一步解決EMD 的模態混疊、端點效應等問題，2012年，湖南大學的程軍圣、楊宇團隊提出了局部特征尺度分解方法[4][5]（Local Characteristic-scale Decomposition，LCD），并證實了其性能優于傳統的EMD 算法。截至目前，該方法在諸多領域已經取得了較好的成果，但是在EEG 識別領域，尚未有人做出嘗試。究其原因，是在對EEG 波形做LCD 分解之后，還缺乏一種有效的工具將其與發作狀態聯系起來，即病理特征的提取。

為了解決這一問題，本文利用局部特征尺度分解算法及分形維數算法[6]提取EEG 監測特征，輸入概率神經網絡進行癲癇病預測與診斷，利用基于可視化語言的Labview軟件開發出診斷程序。該程序的顯著優點是可以極為便捷地對病患腦電信號進行監測并給出發病判斷。

1 算法介紹

算法原理是首先通過局部特征尺度分解，將原本一維的待測樣本變成多個具有物理意義的分量。與原始信號一樣，這些分量中的某一個或者某幾個也必然與病理狀態存在著強弱不同的聯系。對這些分量進行分形維數計算，得到一組特征值后，便可以借助神經網絡將這些強弱不同的聯系體現出來，達到精準刻畫腦部狀態的目的。PNN 算法是由D.F.Speeht 于1989年提出的一種前饋網絡，屬于徑向基網絡的一個分支。由于其具有的優點[7]非常契合本文的工程應用背景，因此在分類環節選擇此算法。其具體流程如圖1 所示。

圖1 基于LCD-BCM 的EEG 特征提取方法思路

2 軟件主要功能模塊與窗體

該軟件功能模塊主要為參數管理、數據管理、狀態分析，前兩者面向管理人員、技術人員等高級用戶，而后者面向的是操作及使用人員等底層用戶。

首先，在圖2 參數管理模塊中對測點數據進行采集，并根據實際情況判斷是否需要對信號進行降噪。

圖2 參數管理模塊

圖3 數據管理模塊

隨后，在數據管理界面中將對應的狀態編碼錄入到特征數據庫中。至此，該測點下的常見特征數據與輸入的醫囑已經通過病患狀態編碼一一對應起來。底層用戶僅需要在圖4 的狀態分析模塊中，選擇對應的測點庫文件并點擊狀態識別按鈕，即可立即出現醫療建議。

圖4 狀態分析模塊

3 應用實例

這些數據是由意大利錫耶納大學神經和神經生理學部門在一個名為PANACEE[3]的區域研究項目中收集的，該項目旨在開發用于癲癇發作預測的無創患者特異性監測/控制低成本設備。該數據庫包括14 例患者的腦電圖記錄，采用視頻腦電圖監測，采樣率為512Hz，電極按照國際10-20 系統排列。所有的記錄也包含1 或2 個心電圖信號。使用LTM 放大器和可重復使用的銀/金杯電極獲得數據。患者被要求盡可能多地躺在床上，要么睡著要么醒著。

在各類EEG 中截取50 個樣本共獲得包含正常狀態、發作間期、發作期狀態在內的3 大類19 小類950 個樣本。將每類樣本中20 個輸入PNN 進行訓練，其余30 個用于測試。令正常狀態樣本編號為1，依次編號診斷結果統計如圖5 及表1 所示。

4 討論

從實驗中可以看出：

①各類狀態診斷正確率均超過80%。

②本例狀態集為發作期、發作間期、正常狀態混合在一起的，診斷正確率仍然較高。

③在圖5 中可以看到，僅在編號為400～500 之間有一處樣本誤差較大，其余誤差均較小。這說明大部分誤差均在類內出現，這對后續的診斷指導并不會帶來嚴重后果。

圖5 PNN 測試結果圖

表1 PNN 測試正確率

更進一步地，若已經將病患狀態判別至發作狀態，即Fi 類內，那么利用軟件進行更詳細的單類狀態庫的構建，則可以十分準確地判斷出具體的病灶類型，識別正確率可高達100%。

5 結束語

本文利用可視化語言Labview 開發的癲癇狀態監測與識別程序具有功能強大、界面友好、操作方便、運行可靠穩定等優點。利用LCD、BCM 進行特征提取以及PNN 強大的狀態分類能力，解決了多類癲癇狀態的分類問題。它是一套令人滿意的診斷軟件。