徐嘉陽(yáng) 楊婷婷 李 雯 李 擴(kuò) 杜昌旺 劉曉芳 盛多錚 閆相國(guó) 王 剛＃*

1（生物醫(yī)學(xué)信息工程教育部重點(diǎn)實(shí)驗(yàn)室，西安交通大學(xué)生命科學(xué)與技術(shù)學(xué)院， 健康與康復(fù)科學(xué)研究所，西安 710049）

2（西安交通大學(xué)第一附屬醫(yī)院神經(jīng)外科，西安 710061）

3（北京瑞爾唯康科技有限公司，北京 100071）

引言

癲癇是一種以突然、短暫、反復(fù)的癲癇性發(fā)作為特征的慢性神經(jīng)系統(tǒng)疾病或綜合征［1］。癲癇性發(fā)作則是大腦內(nèi)神經(jīng)細(xì)胞群陣發(fā)性異常超同步電活動(dòng)的臨床表現(xiàn)。反復(fù)、突然的癲癇性發(fā)作十分危險(xiǎn)，不僅威脅到患者生命，還為其家庭增添了較大的負(fù)擔(dān)。在臨床上，醫(yī)生通常利用長(zhǎng)時(shí)程腦電圖（electroencephalogram，EEG）來(lái)監(jiān)測(cè)癲癇發(fā)作，然而由于這項(xiàng)工作乏味、耗時(shí)，并且很大程度上依賴于臨床醫(yī)生的自身經(jīng)驗(yàn)和主觀判斷，導(dǎo)致人工檢測(cè)結(jié)果的準(zhǔn)確性和可重復(fù)性較低［2］。為了使得癲癇發(fā)作可以在較短的時(shí)間內(nèi)被檢測(cè)到，癲癇腦電自動(dòng)檢測(cè)和識(shí)別技術(shù)的發(fā)展尤為關(guān)鍵。

腦電信號(hào)具有非平穩(wěn)性和非線性特征，因此腦電信號(hào)分析往往以傳統(tǒng)的時(shí)域、頻域或者時(shí)頻結(jié)合的方法為主，通過(guò)計(jì)算各種非線性的特征值來(lái)區(qū)分腦電信號(hào)［3］。大多數(shù)的數(shù)據(jù)預(yù)處理方法是用小波變換對(duì)信號(hào)進(jìn)行分解［4］，但是分層數(shù)、基函數(shù)的選擇對(duì)結(jié)果產(chǎn)生很大影響，不具備對(duì)信號(hào)自適應(yīng)的分解能力。本研究采用多元經(jīng)驗(yàn)?zāi)B(tài)分解（ multivariateempiricalmodedecomposition，MEMD）［5］處理信號(hào)，此方法不需要根據(jù)先驗(yàn)知識(shí)選擇基函數(shù)，能同時(shí)對(duì)多通道數(shù)據(jù)進(jìn)行自適應(yīng)分解，適合于分析具有高度相關(guān)性和非平穩(wěn)性的腦電信號(hào)，可以增強(qiáng)定位腦電信號(hào)的頻率信息的準(zhǔn)確性，從而有效地提高對(duì)腦電信號(hào)的識(shí)別能力［6］。

目前所采用的癲癇檢測(cè)方法多使用EEG 的幅值、主頻率、變異系數(shù)、熵值等作為分類特征，然后利用支持向量機(jī)（support vector machine， SVM）［7］、決策樹(shù)（decision tree， DT）、隨機(jī)森林（random forest，RF）等方法進(jìn)行腦電分類。但是，這些方法沒(méi)有將大腦作為一個(gè)有機(jī)整體，沒(méi)有考慮在產(chǎn)生行為變化或生理功能改變時(shí)大腦各部分之間會(huì)存在信息交換和流動(dòng)。盡管這些方法在短時(shí)程腦電上檢測(cè)結(jié)果表現(xiàn)優(yōu)異，但在長(zhǎng)時(shí)程腦電上檢測(cè)結(jié)果的精確率指標(biāo)偏低，不符合實(shí)際的臨床需求。此外，在實(shí)際長(zhǎng)程腦電的檢測(cè)中，發(fā)作期的時(shí)間要遠(yuǎn)遠(yuǎn)短于非發(fā)作期的時(shí)間，數(shù)據(jù)集不平衡導(dǎo)致分類器決策邊界偏移，最終影響到模型分類效果。因此，本研究采用有向傳遞函數(shù)（direct transfer function，DTF）計(jì)算不同腦區(qū)之間的流出信息，區(qū)分在癲癇發(fā)作時(shí)間段內(nèi)和正常狀態(tài)下不同腦區(qū)之間的信息流動(dòng)的差異，并且采用代價(jià)敏感支持向量機(jī)（cost-sensitive support vector machine，CSVM）對(duì)提取的特征信息進(jìn)行分類，利用不同類別的樣本被誤分類而產(chǎn)生不同的代價(jià)進(jìn)行分類學(xué)習(xí)，從而解決數(shù)據(jù)不平衡帶來(lái)的問(wèn)題。

本研究利用多元經(jīng)驗(yàn)?zāi)B(tài)分解將腦電信號(hào)分解出一系列本征模函數(shù)，利用其流出信息度作為特征，經(jīng)過(guò)特征組合與降維后，通過(guò)CSVM 進(jìn)行癲癇發(fā)作檢測(cè)。結(jié)果表明，此方法具有較高的準(zhǔn)確率、精確率、召回率及F2 值，達(dá)到了較好的癲癇發(fā)作檢測(cè)效果。

1 材料和方法

1.1 實(shí)驗(yàn)對(duì)象

所用數(shù)據(jù)均源于西安交通大學(xué)第一附屬醫(yī)院，采用NIHON KOHDEN 公司的EEG-1100 腦電圖機(jī)進(jìn)行數(shù)據(jù)采集。該數(shù)據(jù)的采集使用19 導(dǎo)電極，電極位置按照國(guó)際10／20 標(biāo)準(zhǔn)，以頭頂CZ 的電極為參考電極。數(shù)據(jù)的通帶截止頻率為0.5 ～60 Hz，采樣頻率為200 Hz。數(shù)據(jù)中關(guān)于癲癇發(fā)作點(diǎn)以及棘波波形的信息由交大一附院的兩位具有臨床經(jīng)驗(yàn)的醫(yī)生通過(guò)觀察和評(píng)估被測(cè)患者的實(shí)際臨床記錄和表現(xiàn)進(jìn)行標(biāo)注。腦電數(shù)據(jù)的總時(shí)長(zhǎng)為121.8 h，包含了44 次發(fā)作，其中癲癇發(fā)作期的平均時(shí)間98.7 s。

表1 給出了10 位患者的相關(guān)腦電數(shù)據(jù)信息。數(shù)據(jù)采集通過(guò)了西安交通大學(xué)機(jī)構(gòu)評(píng)審委員會(huì)的批準(zhǔn)，所有受試者都簽署了腦電數(shù)據(jù)采集和后續(xù)腦電圖記錄分析的知情同意書(shū)。

表1 患者信息表Tab.1 Patient Information

1.2 癲癇檢測(cè)算法

為了在長(zhǎng)時(shí)程腦電中識(shí)別發(fā)作期的腦電，本研究提出基于自適應(yīng)多尺度腦功能連接的癲癇發(fā)作檢測(cè)方法（adaptive and multiscale brain functional connectivity， AMBFC）。首先利用多元經(jīng)驗(yàn)?zāi)B(tài)分解的方法，將19 個(gè)通道的腦電信號(hào)分解為7 個(gè)本征模函數(shù)（intrinsic mode function，IMF）分量和殘量，接著再分別對(duì)7 個(gè)IMF 分量和殘量及原始的腦電信號(hào)建立多變量自回歸模型，用有向傳遞函數(shù)算法，提取不同IMF 分量的腦電信號(hào)和原信號(hào)在不同腦區(qū)的流出信息強(qiáng)度作為特征信息，并將此特征信息進(jìn)行特征組合和PCA 降維，最后經(jīng)過(guò)代價(jià)敏感支持向量機(jī)分類器，通過(guò)五重交叉驗(yàn)證得到檢測(cè)結(jié)果。具體流程圖如圖1 所示。

圖1 所提出的癲癇檢測(cè)算法（AMBFC）流程Fig.1 Flow chart of a novel epilepsy detection algorithm

1.2.1 多元經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）是一種自適應(yīng)信號(hào)時(shí)頻分析方法［8］，可將信號(hào)分解成一系列IMF，其在處理腦電信號(hào)這一類非平穩(wěn)非線性隨機(jī)信號(hào)上具有明顯的優(yōu)勢(shì)。然而，EMD 在處理多通道腦電圖信號(hào)方面的應(yīng)用仍然有限，故MEMD 作為傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解的多元拓展引入癲癇發(fā)作檢測(cè)這一領(lǐng)域。

首先采用滑動(dòng)窗將腦電信號(hào)分割成短時(shí)信號(hào)。由于腦電信號(hào)在采集的過(guò)程中，經(jīng)過(guò)了0.5 ～60 Hz濾波，因此，為了在后續(xù)分析的過(guò)程中能夠分辨頻率為0.5 Hz 的腦電信號(hào)，需要將腦電信號(hào)分割為時(shí)長(zhǎng)至少為2 s 的片段。本研究選用2 s 的無(wú)重疊窗對(duì)腦電信號(hào)進(jìn)行分割。

在t時(shí)刻，一個(gè)經(jīng)過(guò)窗分割之后的N導(dǎo)聯(lián)（N＝19）的腦電數(shù)據(jù)為

式中，Xn（t） 表示第n個(gè)通道的腦電信號(hào)。對(duì)此信號(hào)進(jìn)行MEMD 分解，以下為具體步驟［5］：

步驟1：采用Hammersley［9］序列采樣法，xθk＝［x1，k，x2，k，…，x19，k］表示在18 維球面上對(duì)應(yīng)角θk＝｛θ1，k，θ2，k，…，θ19，k｝的方向向量集；

步驟2：計(jì)算原始腦電信號(hào)｛X(t)｝（1≤t≤T）在第k個(gè)方向向量xθk上的投影為｛pθk（t）｝（1≤t≤T），k為方向向量的總數(shù)；

步驟3：找到方向向量的投影信號(hào)｛pθk（t）｝（1≤k≤K） 極值對(duì)應(yīng)的瞬時(shí)時(shí)刻｛ti，θk｝（1 ≤k≤K），i表示極值點(diǎn)位置，i∈［1，T］；

步驟4：用多元樣條插值函數(shù)插值極值點(diǎn)［ti，θk，X（ti，θk）］共得到K個(gè)多元包絡(luò)｛eθk（t）｝（1 ≤k≤K）

步驟5：對(duì)于球空間K個(gè)方向向量，局部均值可由下式計(jì)算：

步驟6：通過(guò)d（t）＝v（t）- m（t） 提取固有模態(tài)函數(shù)d（t），如果d（t） 滿足多元模態(tài)函數(shù)IMF 判斷標(biāo)準(zhǔn)［10］，就將v（t）- m（t） 作為輸入信號(hào)重新提取新的多元IMF 分量。由于不同信號(hào)分解出來(lái)的固有模態(tài)數(shù)目有差異，為了便于分類，需使得固有模態(tài)數(shù)目一致，故選用IMF 1～I(xiàn)MF 7。

經(jīng)過(guò)多次MEMD 分解，原始的19 通道腦電信號(hào)｛X（t）＝｛X1（t），X2（t），…，X19（t）｝ 被分解為一系列IMF 分量和余量r(t) 的和，為

式中，s為IMF 的個(gè)數(shù)（s＝7），di（t）＝｛di，1（t），di，2（t），…，di，19（t）｝，r(t)＝｛r1（t），r2（t），…，r19（t）｝對(duì)應(yīng)于19 通道腦電數(shù)據(jù)的19 組7 個(gè)IMF 分量和19 個(gè)余量。

定義Q(t) ＝｛q1(t) ，q2(t) ，…，q9(t) ｝， 其中qi（t），i ＝1，2，…，9 表示為

1.2.2 基于有向傳遞函數(shù)的特征提取

多通道腦電之間的相互關(guān)系可以用于評(píng)估腦區(qū)各部分的信息交流，而有向傳遞函數(shù)可以反映不同通道的腦電信號(hào)的相互關(guān)系［11］。為利用有向傳遞函數(shù)進(jìn)行特征提取我們首先對(duì)每個(gè)qi（t）（i ＝1，2，…，9） 建立多變量自回歸模型（MVAR），然后在求得MVAR 模型系數(shù)的基礎(chǔ)之上，利用有向傳遞函數(shù)（DTF）提取不同腦區(qū)的流出信息強(qiáng)度，該特征能夠反映不同腦電通道之間的流出信息。

在t 時(shí)刻，qi（t） 可以表示為

式中，N的取值為19。通過(guò)多通道自回歸模型，該序列又可以表示為

式中，p表示MVAR 模型的階數(shù)，Ar為N×N的系數(shù)矩陣，r ＝1，2，…，p；E(t) 表示估計(jì)誤差，理想情況下為均值為0 的非相關(guān)白噪聲。

模型的階數(shù)可以通過(guò) Schwarz' s Bayesian Criterion （SBC）［12］來(lái)確定：系數(shù)矩陣Ar的估計(jì)可以用arfit［13］算法求得。然后對(duì)所獲得的MVAR 模型求得的系數(shù)矩陣Ar作傅里葉變換，有

式中，f為離散頻率變量。定義的傳遞矩陣為

進(jìn)而獲得在頻率f上從導(dǎo)聯(lián)j到導(dǎo)聯(lián)i的信息流：

式中，（f） 表示H(f) 的第i行第j列的元素，hi（f）表示矩陣H的第i列；DTFij（f） 表示在頻率f時(shí)從導(dǎo)聯(lián)j到導(dǎo)聯(lián)i的信息流的強(qiáng)度和方向。

1.2.3 特征提取和降維

DTF 提取的特征為不同頻率下各腦電極信號(hào)的信息流通情況，因此，對(duì)于每一個(gè)頻率均提取19×19 的特征矩陣，在同一頻段內(nèi)，若有M 個(gè)頻率數(shù)，則該特征矩陣的大小為19×19×M，這樣的特征過(guò)于龐大，不利于分類器分類。因此，需要對(duì)特征進(jìn)行降維和組合，具體的步驟如下：

步驟1：將所有頻率下的特征值的平方進(jìn)行累加，即

此時(shí)得到了某個(gè)頻段內(nèi)各個(gè)通道之間的信息流動(dòng)的強(qiáng)度特征，這一步使得特征矩陣由19×19× M壓縮到19×19。

步驟2：考慮到在癲癇發(fā)作期癲癇病灶區(qū)有高強(qiáng)度的放電，此區(qū)域的腦電信息流出強(qiáng)度會(huì)加大，故將特征值矩陣按列（或按行）累加就能得到每個(gè)通道的流出信息的強(qiáng)度，即

此時(shí)，特征矩陣由19×19 被壓縮至19×1。將Q(t) 中每個(gè)qi（t） 得到的特征矩陣進(jìn)行線性組合，得到171×1 的一維矩陣。

由于特征數(shù)目過(guò)多，選用主成分分析方法，對(duì)特征進(jìn)行降維，利用線性矩陣變換，將高維空間的數(shù)據(jù)映射到低維空間。設(shè)樣本為X ＝（x1，x2，…，xn），則算法的具體步驟為：

步驟2：計(jì)算樣本的協(xié)方差矩陣：

步驟3： 利用奇異值分解（ singular value decomposition， SVD），求出協(xié)方差矩陣的特征值及對(duì)應(yīng)的特征向量；

步驟4：對(duì)特征值從大到小排序，根據(jù)貢獻(xiàn)度，選擇最大的k個(gè)值，將其特征向量分別作為行向量組成特征矩陣P，其中，k值的大小由特征值數(shù)目的占比決定；

步驟5：將數(shù)據(jù)轉(zhuǎn)換到k個(gè)特征向量構(gòu)建的新空間中，即Y＝PX。

將經(jīng)降維后的特征放入分類器進(jìn)行學(xué)習(xí)，從而區(qū)分發(fā)作期的腦電信號(hào)和非發(fā)作期的腦電信號(hào)。

1.2.4 代價(jià)敏感支持向量機(jī)分類

由于在使用SVM 模型時(shí)，要求正反標(biāo)記的樣本量相差不大，然而在實(shí)際長(zhǎng)程腦電中，癲癇發(fā)作期的時(shí)間遠(yuǎn)遠(yuǎn)短于非發(fā)作期，使得樣本數(shù)目相差較大，從而造成SVM 模型傾向于數(shù)目較多的一類樣本，進(jìn)而影響分類模型的準(zhǔn)確度?；诖耍隒SVM［14］，該方法在建模時(shí)將不同類別樣本的誤分類代價(jià)考慮在內(nèi)，并將這些誤分類代價(jià)嵌入到標(biāo)準(zhǔn)SVM 算法中。

CSVM 算法和SVM 算法的主要區(qū)別在目標(biāo)函數(shù)上。其目標(biāo)函數(shù)和約束條件為

目標(biāo)函數(shù)：

約束條件：

式中，C-＝C，C＋＝w1×C-，C是支持向量機(jī)SVM 的基懲罰因子，w1 是懲罰因子調(diào)整系數(shù)。

采用網(wǎng)格搜尋的方法［15］對(duì)算法中的參數(shù)C和w1 尋優(yōu)，選用高斯徑向核函數(shù)，懲罰系數(shù)C的取值范圍為2-10～210，步長(zhǎng)為0.5，w1 的取值范圍為1 ～21，步長(zhǎng)為0.5。通過(guò)C和w1 的不同取值，我們使用一個(gè)指標(biāo)Fβ作為評(píng)估值，找出Fβ最高時(shí)對(duì)應(yīng)的參數(shù)，此時(shí)即為相應(yīng)的最優(yōu)參數(shù)組合。Fβ表示為如下：

式中，真陽(yáng)性（TP）表示算法和醫(yī)生都判斷為發(fā)作期的片段數(shù)；假陽(yáng)性（FP）表示算法識(shí)別為癲癇發(fā)作期而醫(yī)生標(biāo)記為非發(fā)作期片段數(shù)；真陰性（TN）表示算法和醫(yī)生都判斷為非發(fā)作期片段數(shù)；假陰性（FN）表示算法識(shí)別為非發(fā)作期而醫(yī)生標(biāo)記為發(fā)作期片段數(shù)。此處，將β取為2（此權(quán)重使得FN 的意義大過(guò)FP），因此式（14）可以表示為

為了對(duì)結(jié)果進(jìn)行更精準(zhǔn)的評(píng)估，用于測(cè)試的數(shù)據(jù)必須與用于訓(xùn)練模型的數(shù)據(jù)區(qū)分開(kāi)來(lái)。因此，我們采用雙重交叉驗(yàn)證的方法，首先將每一個(gè)患者的腦電數(shù)據(jù)平均分為5 組，每次用4 組數(shù)據(jù)做訓(xùn)練，一組數(shù)據(jù)用來(lái)測(cè)試。為了在訓(xùn)練中建立最優(yōu)的CSVM 分類器，對(duì)訓(xùn)練集進(jìn)一步進(jìn)行五折交叉驗(yàn)證。隨機(jī)選擇訓(xùn)練集的80%，建立CSVM 模型，并利用該模型在其余20%的訓(xùn)練集上的驗(yàn)證結(jié)果計(jì)算Fβ，以此來(lái)評(píng)估和選擇最優(yōu)模型。CSVM模型訓(xùn)練完成后，通過(guò)預(yù)留的測(cè)試集測(cè)試模型，評(píng)估該模型。將5 次的結(jié)果進(jìn)行平均，作為最終測(cè)試結(jié)果。

1.2.5 算法評(píng)估標(biāo)準(zhǔn)

通過(guò)比較本文算法對(duì)癲癇發(fā)作期、非發(fā)作期的檢測(cè)結(jié)果與醫(yī)生所做標(biāo)記的差別，將每個(gè)患者的五次交叉驗(yàn)證的平均結(jié)果作為依據(jù)，評(píng)估算法的性能。本文采用以下幾項(xiàng)指標(biāo)進(jìn)行評(píng)估，這些指標(biāo)定義如下［16-17］：

（1）準(zhǔn)確率（Accuracy）

（2）精確率（Precision）

（3）召回率（Recall）

（4）F2 值

2 結(jié)果

2.1 AMBFC 算法的癲癇發(fā)作檢測(cè)結(jié)果

經(jīng)過(guò)2 s 時(shí)間窗分割，所獲得的訓(xùn)練樣本的平均非發(fā)作期片段數(shù)為12 439，平均發(fā)作片段數(shù)為157，測(cè)試樣本的平均非發(fā)作期片段數(shù)為3 110，平均發(fā)作期片段數(shù)為39。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，如果降維時(shí)保留特征信息的數(shù)目為原特征數(shù)目的85%，可取得最優(yōu)結(jié)果，因此在PCA 的過(guò)程中，將主成分占比設(shè)置為85%。

10 位患者癲癇發(fā)作檢測(cè)的結(jié)果及平均值如表2 所示。通過(guò)五重交叉驗(yàn)證，得到10 位患者癲癇發(fā)作檢測(cè)的準(zhǔn)確率為98.60% ±2.49%，精確率為81.90%±16.67%，召回率為81.40%±14.16%，F(xiàn)2值為0.80±0.16。本方法的各項(xiàng)指標(biāo)都在較高的水平。

表2 不同癲癇患者使用AMBFC 方法的癲癇檢測(cè)結(jié)果Tab.2 Epilepsy test results of different epilepsy patients using the proposed AMBFC method

2.2 基于DTF 不同本征模函數(shù)癲癇檢測(cè)結(jié)果對(duì)比

為了討論不同IMF 分量的腦電特征對(duì)檢測(cè)結(jié)果的影響，利用IMF1 ～4 的特征分別進(jìn)行CSVM 分類，并與AMBFC 算法得到的結(jié)果進(jìn)行比較。首先利用MEMD 分解得到IMF1～4，然后采用DTF 算法求出IMF1～4 的信息流出特征，進(jìn)行CSVM 分類，并與用AMBFC 進(jìn)行分類的結(jié)果進(jìn)行比較。僅針對(duì)患者1 進(jìn)行研究，將各IMF 分量的癲癇發(fā)作檢測(cè)結(jié)果與AMBFC 算法的檢測(cè)結(jié)果進(jìn)行比較。

基于準(zhǔn)確率、精確率、召回率、F2 值等4 項(xiàng)指標(biāo)的對(duì)比結(jié)果如圖2 所示。由圖可見(jiàn)，AMBFC 算法在保證高準(zhǔn)確率的情況下，在精確率、召回率和F2 值等指標(biāo)上也都達(dá)到了很高的水平，并且用AMBFC方法提取特征的各項(xiàng)指標(biāo)均高于用各IMF 分量提取特征的指標(biāo)，說(shuō)明了AMBFC 算法對(duì)于這些癲癇患者的分類結(jié)果相比于用各IMF 分量作特征提取和分類更具有優(yōu)勢(shì)。由于各IMF 分量的信號(hào)可以為癲癇檢測(cè)提供不同的有用信息，將這些信息聚集在一起可以為CSVM 分類提供更多癲癇發(fā)作信息交換特征，所以AMBFC 算法可以提升癲癇檢測(cè)的準(zhǔn)確率、精確率、召回率和F2 值。

圖2 用不同IMF 分量的特征進(jìn)行癲癇發(fā)作檢測(cè)結(jié)果對(duì)比圖Fig.2 Comparison of results of epileptic seizure detection using features of different IMFs

利用患者1 的隨機(jī)2 000 個(gè)非發(fā)作期樣本和30個(gè)發(fā)作期樣本，對(duì)不同IMF 分量的腦電信號(hào)進(jìn)行信息流特征提取，并利用t-SNE 降維［21］可視化。藍(lán)色的點(diǎn)表示非發(fā)作期樣本，紅色的點(diǎn)代表發(fā)作期樣本。其中，圖3 （a）為IMF1 分量的流出信息特征t-SNE 降維可視化的結(jié)果，圖3 （b）為IMF2 分量的流出信息特征t-SNE 降維可視化的結(jié)果，圖3 （c）為IMF3 分量的流出信息特征t-SNE 降維可視化的結(jié)果，圖3 （d）為IMF4 分量的流出信息特征t-SNE 降維可視化的結(jié)果，圖3 （e）為原信號(hào)和全部IMF 分量（即AMBFC 算法）的流出信息特征t-SNE 降維可視化的結(jié)果。

圖3 不同IMF 分量特征經(jīng)t-SNE 降維可視化結(jié)果。（a） IMF1；（b）IMF2；（c）IMF3；（d）IMF4；（e）AMBFC Fig.3 t-SNE dimension reduction visualization results of different IMF component characteristics. （a） IMF1；（b）IMF2；（c）IMF3；（d）IMF4；（e） AMBFC

可以看出，IMF1 ～4 分量的腦電信號(hào)提取出的特征經(jīng)過(guò)降維可視化之后，發(fā)作期和非發(fā)作期的樣本均有較高的重合性，視覺(jué)可分性不理想，而AMBFC 提取的特征視覺(jué)可分性要明顯優(yōu)于各IMF分量。這些可視化降維的結(jié)果與圖2 中各項(xiàng)指標(biāo)的分類結(jié)果一致。

2.3 基于不同算法的癲癇發(fā)作結(jié)果對(duì)比

為了更加客觀地對(duì)AMBFC 方法的癲癇發(fā)作檢測(cè)性能進(jìn)行評(píng)價(jià)，選取DTF-CSVM 算法和近幾年文獻(xiàn)中報(bào)道的最新方法，用相同的數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和測(cè)試。其中，DTF-CSVM 算法相較于AMBFC算法，直接采用DTF 提取特征［18］，而未對(duì)腦電信號(hào)進(jìn)行MEMD 分解，即僅對(duì)原信號(hào)建立MVAR 模型，提取各通道腦電數(shù)據(jù)的信息流特征，隨后將特征進(jìn)行組合和CSVM 分類。AMBFC、DTF-CSVM 方法及與最新論文［19-20］］對(duì)比的結(jié)果如表3 所示。由表可見(jiàn)，相較于DTF-CSVM 和EWT 算法，AMBFC 算法在各項(xiàng)指標(biāo)上都取得了最優(yōu)結(jié)果，而相比于Fusion 算法，在除召回率之外的其他指標(biāo)上都取得了更優(yōu)結(jié)果，由于癲癇發(fā)作期和非發(fā)作期的樣本存在嚴(yán)重非均衡化的問(wèn)題，需要同時(shí)評(píng)估其精確率和召回率，本研究將F2 值作為最主要的評(píng)判指標(biāo)，基于此認(rèn)為AMBFC 算法相較于Fusion 算法結(jié)果更優(yōu)。

表3 使用不同方法的癲癇檢測(cè)結(jié)果對(duì)比Tab.3 Comparison of epilepsy detection results employing different methods

3 討論

目前，腦電在癲癇的臨床診斷中已經(jīng)有較為廣泛的應(yīng)用。本研究針對(duì)長(zhǎng)時(shí)程腦電癲癇發(fā)作檢測(cè)的問(wèn)題，采用AMBFC 算法對(duì)采集的腦電信號(hào)進(jìn)行癲癇發(fā)作檢測(cè)。首先利用MEMD 算法對(duì)腦電進(jìn)行自適應(yīng)分解，再通過(guò)多變量自回歸模型計(jì)算有向傳遞函數(shù)，建立多尺度的腦功能連接，從而提取不同腦區(qū)之間的信息流出強(qiáng)度，最后利用代價(jià)敏感支持向量機(jī)對(duì)發(fā)作期和非發(fā)作期的數(shù)據(jù)進(jìn)行分類，在準(zhǔn)確率、精確率、召回率和F2 值等4 項(xiàng)指標(biāo)上取得了較優(yōu)的結(jié)果，為長(zhǎng)時(shí)程腦電中的癲癇檢測(cè)提供可行方案。

由于采集到的腦電信號(hào)具有多通道、非線性、非平穩(wěn)性的特點(diǎn)，采用MEMD 算法對(duì)多通道數(shù)據(jù)進(jìn)行自適應(yīng)分解。MEMD 是一種數(shù)據(jù)驅(qū)動(dòng)的分解方法，可定位多變量、非平穩(wěn)、低信噪比的腦電信號(hào)的時(shí)頻信息，且具有較強(qiáng)的自適應(yīng)性，有助于在多個(gè)尺度上發(fā)現(xiàn)內(nèi)在模式，而不要求信號(hào)為諧波信號(hào)或平穩(wěn)信號(hào)［22-23］。本研究通過(guò)比較ABMFC 和DTFCSVM 算法，證實(shí)了MEMD 算法可以增強(qiáng)定位腦電信號(hào)的頻率信息的準(zhǔn)確性，從而提高了對(duì)發(fā)作期和非發(fā)作期腦電的識(shí)別能力。此外，通過(guò)比較AMBFC算法與不同IMF 分量的癲癇檢測(cè)結(jié)果，證明了相較于單個(gè)頻段的信息，不同頻段的信息的組合能夠?yàn)槟X電癲癇檢測(cè)提供更多有效信息。

癲癇發(fā)作時(shí)，由于神經(jīng)元?jiǎng)幼麟娢话l(fā)放的同步性，多通道腦電之間的信息流強(qiáng)度與非發(fā)作時(shí)相比存在顯著差異［18］，而利用基于格蘭杰因果的效應(yīng)性連接分析方法可以有效地衡量不同腦區(qū)之間的交互性連接［24］，此前也有相關(guān)研究將DTF 算法應(yīng)用于癲癇發(fā)作的檢測(cè)和預(yù)測(cè)中［18，25］。因此，本研究利用DTF 算法做特征提取，提取不同腦電通道之間的流出信息，將此作為分類依據(jù)可以有效地區(qū)分發(fā)作期和非發(fā)作期的腦電信號(hào)。而且通過(guò)實(shí)驗(yàn)證明，利用PCA 降維保留原始特征數(shù)目的85%，可以達(dá)到更優(yōu)的分類結(jié)果，表明了原始的特征數(shù)目過(guò)多，可能造成了分類器的過(guò)擬合。

同時(shí)，由于非發(fā)作期的樣本數(shù)量遠(yuǎn)遠(yuǎn)多于發(fā)作期的樣本數(shù)量，因此采用CSVM 進(jìn)行分類，可以使得不同樣本的誤分類具有不同的代價(jià)［14］。為了綜合考慮精確率和召回率，采用F2 值作為模型訓(xùn)練時(shí)的評(píng)估指標(biāo)。根據(jù)網(wǎng)格搜尋方法，確認(rèn)F2 值最高時(shí)懲罰因子C和懲罰因子調(diào)整系數(shù)w1 的取值，通常情況下參數(shù)w1 的取值大于1，表明相較于較多數(shù)量的非發(fā)作期樣本，CSVM 算法賦予了較少數(shù)量的發(fā)作期樣本更高的誤分類代價(jià)，凸顯出準(zhǔn)確識(shí)別發(fā)作期的樣本的重要性，從而改善了樣本嚴(yán)重非均衡化帶來(lái)的問(wèn)題。

本研究從自適應(yīng)多尺度腦功能連接的角度出發(fā)，提取不同頻段腦區(qū)之間的信息流出強(qiáng)度，可有效區(qū)分發(fā)作期和非發(fā)作期的腦電，相較于傳統(tǒng)算法達(dá)到了更高的精確率和召回率，在與新近提出方法的比較中也體現(xiàn)出了一定的優(yōu)越性。但同時(shí)也具有一定的局限性，長(zhǎng)期的頭皮腦電記錄中存在高頻肌電偽影，會(huì)對(duì)實(shí)驗(yàn)結(jié)果造成一定的影響，另外，將全部腦電通道的信息流出強(qiáng)度作為有效特征，而未進(jìn)行通道選擇，不能為癲癇病灶的定位提供有力依據(jù)。

4 結(jié)論

本研究針對(duì)長(zhǎng)時(shí)程腦電癲癇發(fā)作檢測(cè)的問(wèn)題，提出一種新的基于自適應(yīng)多尺度腦功能連接的癲癇發(fā)作檢測(cè)方法。通過(guò)結(jié)合MEMD 算法和MVAR模型，對(duì)具有非平穩(wěn)特征的腦電信號(hào)提取流出信息強(qiáng)度，并進(jìn)行特征組合與PCA 特征降維，最后經(jīng)CSVM 分類區(qū)分發(fā)作期和非發(fā)作期腦電。本研究提出的算法在高準(zhǔn)確率的基礎(chǔ)上，達(dá)到了較高的精確率、召回率和F2 值，并具有一定優(yōu)越性，有望應(yīng)用于長(zhǎng)時(shí)程腦電的實(shí)時(shí)監(jiān)測(cè)。