浅谈癫痫脑电自动识别技术

摘要：脑电特征识别是癫痫病诊断和随访治疗的重要参考手段。本文梳理并归纳了一些主流的癫痫脑电特征识别方法，包括数据预处理、脑电特征提取、脑电特征识别三个方面，指出了目前该方面研究存在的一些问题，最后给出总结。

关键词： 癫痫； 脑电特征； 数据预处理； 特征提取； 特征識别

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2019）12-0205-02

开放科学（资源服务）标识码（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

癫痫是大脑神经元突发性异常放电导致短暂的大脑功能障碍的一种慢性疾病。其长期频繁的发作对患者的身心、智力产生严重影响。尤其是儿童癫痫，其病因复杂、反复发作对儿童发育造成严重危害。

癫痫的发病主要体现为神经异常放电以及脑电波异常，因此脑电检测是癫痫诊断重要手段以及随访体检的主要项目之一。脑电信号为非平稳信号，异常的脑电波形主要有棘波、尖波、棘-慢波、尖-慢波[1]。在基于癫痫的脑电诊断中，需要多点采样，主要有头皮脑电波和深部脑电波，其中头皮脑电探测简单易行，难度和成本较低，大多数病人可以接受，因此比较常用，但缺点是存在较多的噪声与干扰，伪差较多[2]。

目前癫痫脑电识别的主流还是基于人工手段识别，即由医生对脑电波进行长时间监测，而后做出诊断。此方法耗时长，且费时费力。为了提高癫痫脑电诊断效率，目前提出了一些癫痫脑电自动检测与识别方法。本文归纳并分析了几种自动癫痫脑电检测方法，指出了其中的一些问题。

2 脑电自动识别方法

癫痫脑电的识别一般分为三个步骤，首先是源信号数据的预处理，主要是数据的清洗和滤波，然后是癫痫脑电的特征提取，包括幅度、斜率、周期、频率、近似熵、波动系数等，最后是癫痫脑电的识别[3]。

假定[fi]为第[i]个脑电样本信号，那么特征提取问题即是求[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]为[J]个特征分量，映射关系为[fi→Ti=（t（i）1，t（i）2，t（i）3，....，t（i）J）]。脑电识别问题主要是分类问题，基本目的是将癫痫脑电与正常脑电进行分类，对集合[{Ti，i=1，2，3，...，I）]中的元素，即[I]个脑电样本信号的特征向量进行分类。

2.1数据预处理

数据预处理的目的主要是去除噪音信号和伪差信号的影响。主要有如下方法：

1）阈值初筛

如尖度（曲线的二次导数）、幅度、等效曲线下面积等特征量超过一定的阈值时判定为异常波。

2）专家特征

根据典型的干扰波形特征进行初筛，去掉眨眼伪迹、电极伪迹、散发伪迹等[4]。

3）滤波

通过使用滤波器对脑电信号进行滤波，得到有用频带的脑电信号，滤除频带外的干扰信号。脑电信号的有效信息大多集中在1-60Hz之间，一般采用带通滤波器对EEG脑电信号进行滤波[5]。

当然还有半波处理、主成分分析、独立成分分析等方法[1]。在半波处理[6]中对尖刺信号做了平滑处理；主成分分析（PCA）和独立成分分析（ICA）的主要目的都在于从复杂的复合信号中分离眼部运动、心跳、或其他肌肉运动带来的伪迹；在脑电主成分分析中，先进行小波分解，得到信号组分后套用主成分分析算法[7]， 独立成分分析[8]的目标是找到伪迹信号和脑电信号的信号混合矩阵。

2.2脑电特征提取

主要问题是脑电特征提取，主要有如下方法：

1）时域分析法

主要是模拟人工识别的方法，直接从时域脑电波中提取特征，例如模板匹配法：事先构建一个由各种癫痫脑电波组成的模板集，计算被测脑电信号与其模板的差异，当差异大小达到一定阈值时，判断为癫痫信号[9]；拟态法，模仿人工视觉检测癫痫脑电的过程，通过提取波形参数来识别脑电信号，例如将脑电信号分解为半波，提取幅度、周期、截距、近似熵等波形特征，然后进行阈值判别[3]；在文献[4]中，将微分盒维算法引入到脑电信号的分形维数计算中，以算得的分形截距为主要特征，分辨癫痫发作期和间歇期脑电。

2）频域分析法

其基本思想是提取脑电信号的频域特征，分析脑电频域成分。由于脑电信号是时域随机无限信号，常用的傅里叶变换不再采用，一般采用功率谱估计，即把幅度随时间变化的脑电波变换为脑电功率随频率变化的谱图，以得到脑电节律的分布和变换情况[3，10]。

3）时频域分析法

在时频域分析中同时分析时域上和频域上的局部化特征，最频繁使用的是小波分析[11]。相对于傅里叶变换，在小波分析中将无限长的三角函数基换成了有限长的会衰减的小波基，这样不仅可以获取频率，还可以定位到时间。小波变换利用窗函数的平移与伸缩实现信号的多尺度分析，对信号的低频分量采用宽时间窗口，对高频分量采用窄时间窗口操作。

2.3 特征识别

在提取脑电特征后进行分析，以识别异常脑电，主要方法有如下几种：

1）聚类方法

聚类是常用的自动分类方法之一，在癫痫识别中将不同脑电的特征向量进行聚类分类[6，7]，聚类方法多样，有K均值聚类，层次聚类，图聚类等。聚类方法主要是基于距离的，怎样衡量两个脑电信号的特征向量距离（差异），是提高脑电识别正确率的一个关键点。

2）神经网络分类

在神经网络分类法中，首先要经过对样本集的学习[12]。在网络学习阶段，通过调整网络节点权重来实现输入样本与其相应类别的对应，最终得到神经网络模型的主要参数，一旦有新数据输入神经网络模型就可以得到分类结果。常用的神经网络是后反馈学习机制的BP神经网络。

3）支持向量机

支持向量机（SVM）[13]是一种监督式机器学习方法，其基本思想亦是对各脑电的特征向量样本进行二元分类，目的是寻找一个超平面来对特征向量样本进行分割，其技术关键是如何求解支持向量机参数，高维支持向量机问题求解过程中主要是找到最适合样本的核函数[5]。

当然还有其他的一些分类方法，如极端学习机（ELM）[14]以及贝叶斯线性判别分析（BLDA）[1]。极端学习机算法实际上是一种改进的前向传播神经网络算法，而线性判别算法是一类多变量统计方法，其对高斯分布的样本分类效果较好。

3 存在的问题

1）目前的研究对象都是标本数据，对于不同个体病人而言，脑电形态多样，而脑电识别方法也有很多。针对个体病人的个性化医疗，如何选择具体的脑电识别方法是一个问题。

2）脑电信号复杂且多样，针对复杂脑电信号的自动识别方法还有待进一步讨论。

3）由于伪差来源多样且干扰较大，与人工检测方法相比，自动检测算法精度有待提高，需要更好的噪声和伪迹信号清洗办法。

4 結论

癫痫脑电的自动识别提高了癫痫的诊断效率，本文介绍了一些目前采用的癫痫脑电自动识别方法，包括数据预处理、脑电特征提取、脑电识别三个方面，还提出了癫痫脑电自动识别中还存在的一些有待改进的问题。

参考文献：

[1] 袁莎莎. 癫痫发作自动检测算法研究[D].山东：山东大学， 2016.

[2] 万柏坤，郑旭媛，朱欣等.癫痫脑电特征波的综合检测分类方法研究[J].中国生物医学工程学报， 2002， 21（03）： 215-218， 245.

[3] 袁琦.癫痫脑电的分类识别及自动检测方法研究[D].山东：山东大学， 2014.

[4] 李莹， 欧阳楷. 自动检测儿童脑电中癫痫波的方法研究[J]. 中国生物医学工程学报， 2005， 24（5）： 541-545.

[4] 张鹏博， 王雪， 张蔚航， 等. 癫痫发作瞬态带宽特征自适应检测方法[J]. 仪器仪表学报， 2016， 37（6）： 1390-1397.

[5] 柳长源， 张付浩，韦琦. 基于脑电信号的癫痫疾病智能诊断与研究[J]. 哈尔滨理工大学学报， 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] 李飞， 戴加飞， 李锦，等. 自回归模型和隐马尔可夫模型在癫痫脑电识别中的应用[J].北京生物医学工程， 2017， 36（5）： 479-482.

[11] 吴敏，韦志辉，汤黎明. 一种基于小波变换的脑电信号癫痫特征波的识别算法[J].中国医疗设备， 2008， 23（04）： 21-24.

[12] 张永胜， 刘爱萍， 郁可. 脑电信号数据压缩及棘波识别的小波神经网络方法[J].生物医学工程学杂志， 1999， 16（02）： 172-176.

[13] .黄瑞海， 杜守洪， 陈子怡，等. 基于支持向量机的癫痫脑电信号模式识别研究[J].生物医学工程学杂志， 2013， 30（05）： 919-924.

[14] 袁琦， 周卫东， 李淑芳， 菜冬梅. 基于ELM和近似熵的脑电信号检测方法[J].仪器仪表学报， 2012， 33（03）： 514-519.

【通联编辑：唐一东】

推荐访问： 癫痫 自动识别 浅谈 技术

---