陳爽爽 周衛(wèi)東 袁 琦 袁莎莎 栗學(xué)麗

(山東大學(xué)信息科學(xué)與工程學(xué)院，濟南 250100)

引言

癲癇是一種腦部疾患，以腦部神經(jīng)元反復(fù)突然過度放電所致的間歇性中樞神經(jīng)系統(tǒng)功能失調(diào)為特征。長程腦電(EEG)檢查是臨床上常用的癲癇檢查手段，對癲癇腦電圖的分析有助于醫(yī)生發(fā)現(xiàn)病人的病灶并進行相應(yīng)的治療，該工作目前主要由醫(yī)療工作者根據(jù)腦電圖通過視覺檢測來完成。但人工觀察和檢測長程EEG 是一項復(fù)雜而又耗時的工作，且往往要通過經(jīng)驗來做出判斷。因此，腦電圖的自動檢測與分類就越發(fā)顯得迫切與重要［1］。

自20 世紀60 年代起，自動癲癇檢測技術(shù)就受到了廣泛的關(guān)注和研究，這一領(lǐng)域的眾多學(xué)者提出了多種自動檢測的方法［1-2］。由于癲癇發(fā)作時，大腦會產(chǎn)生尖波、棘波、慢波、尖慢綜合波、棘慢綜合波等多種形式的波形，且癲癇發(fā)作期波形變化比間歇期劇烈，眾多學(xué)者利用腦電波的時頻特性來進行特征提取，通過模擬醫(yī)務(wù)工作者視覺評判的過程，達到自動檢測癲癇發(fā)作的目的［3］。EEG 波形的時頻特性主要包括:1)相對能量［1］，指信號經(jīng)小波分層后某層的能量和所有層的能量和之比;2)擬態(tài)法的特征［4］，提取波形的部分參數(shù)進行識別，此種方法應(yīng)用的較為廣泛;3)模板匹配［5］，提前選取典型癲癇腦電波形作為模板，將檢出的波形與癲癇腦電模板進行匹配識別。無論采用何種方法，通常要求棘波自動檢測系統(tǒng)有較高的正確率，較低的漏檢率和誤檢率。

與皮層腦電不同，顱內(nèi)腦電包含較少的干擾，但是卻包含了種類較多、頻率較高的癲癇樣放電成分，這給癲癇自動檢測增加了難度［6］。本研究提出一種采用多特征的顱內(nèi)EEG 癲癇檢測方法。依靠發(fā)作期EEG 多個特征的統(tǒng)計概率，通過貝葉斯概率公式計算得出患者癲癇發(fā)作的可能性，再通過設(shè)定閾值的方法，達到一個較為滿意的靈敏度和誤檢率。在癲癇檢測的過程中，采用微分方差、相對能量、波動指數(shù)多種特征相結(jié)合，從而提高了系統(tǒng)的檢測性能。

1 腦電信號及預(yù)處理

1.1 數(shù)據(jù)選擇

實驗所使用數(shù)據(jù)來自德國Freiburg 醫(yī)學(xué)院癲癇研究中心，均為對難治愈型癲癇患者在術(shù)前監(jiān)護中采集到的顱內(nèi)腦電數(shù)據(jù)［7］。數(shù)據(jù)由21 例癲癇患者的6 個導(dǎo)聯(lián)腦電數(shù)據(jù)組成，且每一位患者均有3 個導(dǎo)聯(lián)處于發(fā)作病灶區(qū)，3 個導(dǎo)聯(lián)處于非病灶區(qū)。共87 次癲癇發(fā)作，持續(xù)509 h 的發(fā)作間期以及持續(xù)73 h 的發(fā)作前期。每一位患者的腦電記錄中至少包括50 min 的發(fā)作前期的數(shù)據(jù)及10 h 以上發(fā)作間期的數(shù)據(jù)。腦電數(shù)據(jù)由Neurofile NT 數(shù)字視頻腦電監(jiān)護儀記錄，采樣頻率為256 Hz，16 位A/D 轉(zhuǎn)換器，且用0.5 ～120 Hz 的帶通濾波器對腦電數(shù)據(jù)進行了濾波處理。

1.2 腦電信號分解

首先對長程腦電數(shù)據(jù)進行連續(xù)分段，每段4 s，共計1 024 個數(shù)據(jù)點。然后，利用Daubechies-4 小波進行5 層的小波離散變換。經(jīng)研究表明，癲癇EEG經(jīng)常發(fā)生在3 ～30 Hz 范圍內(nèi)［8］，也就是腦電信號的θ 頻段、α 頻段和β 頻段，所以本次實驗中，僅在這3個頻段即第3 ～第5 層上進行特征的提取。

1.3 半波處理

數(shù)據(jù)進行分層后，對每段各層的數(shù)據(jù)進行半波處理，目的是去除疊加在腦電信號上的小振幅快波。根據(jù)Gotman 提出的半波處理的方法［2-3］，首先對預(yù)處理后的EEG 數(shù)據(jù)根據(jù)振幅極值趨勢進行分段處理;然后，對重新分段的數(shù)據(jù)按順序進行重組，組成半波。

2 特征提取

對預(yù)處理過后的腦電信號進行特征提取。根據(jù)癲癇發(fā)作時EEG 時頻域的變化，提取微分方差、相對能量和波動指數(shù)來量化腦電信號的特征。

2.1 微分方差

微分代表參數(shù)變化率，利用微分的這種特性，來判別癲癇波和背景波。由于癲癇波與背景波空間上的相近性，自動癲癇檢測時需要將兩者分離開。而窗口方差就是一種簡單但是有效的分離癲癇波和背景波的方法［7］。微分算子放大了癲癇波并且抑制了背景波，使得利用窗口方差檢測癲癇更加有效。

首先，對一段腦電信號S(t)進行微分并進行標準化處理

式中，D'表示微分算子;a 表示標準化常數(shù)，實驗中，采用a =100 000。然后對所得到的標準化后的微分Y(t)取方差，即得到微分方差

2.2 相對能量

相對能量指的是信號經(jīng)小波分層后某層的能量和所有層的能量和的比［1］。也就是說，指定層的相對能量本質(zhì)上是指該層所包含能量與總能量的比值。預(yù)處理后第l 層的能量為

式中，n 代表預(yù)處理后每段數(shù)據(jù)的數(shù)量，l 代表小波層的位置，Δt 代表時間間隔。第l 層的相對能量er(l)可以表示為

2.3 波動指數(shù)

經(jīng)過長期的臨床觀察，癲癇發(fā)作時腦電信號的波動會比未發(fā)作的間歇期劇烈，因此選擇波動指數(shù)來衡量信號的變化強度［9-10］。波動指數(shù)可以表示為

式中，ai為第n 段腦電數(shù)據(jù)小波變換后第i 層的幅度，M 為信號的長度。

實驗表明，癲癇發(fā)作期的波動指數(shù)通常比未發(fā)作的間歇期大，為此使用相對波動指數(shù)來衡量腦電信號相對于背景的變化強度，其定義為當前被分析的腦電序列的波動指數(shù)與其背景的波動指數(shù)之比。背景定義為比當前段EEG 早60 s 的一段長達120 s的腦電信號［6］。因為癲癇發(fā)作是一個逐漸變化的過程，選取120 s 是為了保證對波動指數(shù)相對穩(wěn)定的估計。

3 分類器設(shè)計

3.1 貝葉斯公式

貝葉斯公式用來描述兩個條件概率之間的關(guān)系。針對癲癇檢測問題，貝葉斯公式可描述為

式(6)和式(7)分別為癲癇發(fā)作期和間歇期的貝葉斯公式。公式中的各項可以表述為:

1)P(seiz | feat)為某特征下癲癇發(fā)作的概率;P(nonseiz | feat)為某特征下無癲癇發(fā)作的概率。

2)P(feat | seiz)為癲癇發(fā)作狀態(tài)下某特征出現(xiàn)的概率;P(feat | nonseiz)為癲癇未發(fā)作狀態(tài)下某特征出現(xiàn)的概率。

3)P(feat)為癲癇發(fā)作和未發(fā)作狀態(tài)下，某特征出現(xiàn)的概率。

4)P(seiz)為癲癇發(fā)作概率;P(nonseiz)為癲癇未發(fā)作概率。

這些參數(shù)中，后三項均基于訓(xùn)練數(shù)據(jù)統(tǒng)計得出。癲癇檢測時，計算P(seiz | feat)得到判斷癲癇發(fā)作與否的概率。在本次實驗中，利用訓(xùn)練數(shù)據(jù)得到的先驗概率和條件概率來換算出檢測癲癇發(fā)作的后驗概率，并以此作為癲癇是否發(fā)作的指示。

3.2 分類過程

預(yù)處理后的EEG 數(shù)據(jù)首先被分解成為發(fā)作和未發(fā)作兩部分從而分別存儲。將每段腦電信號(4 s)進行5 層小波分解后計算第3 層、4 層和5 層分量的微分方差、相對能量和波動指數(shù)特征，然后將這些特征數(shù)據(jù)按照數(shù)目均分成5 部分，進行排列組合，從而可以得到125 種特征組合。用某一組合所包含的數(shù)據(jù)段數(shù)除以發(fā)作期總數(shù)據(jù)段數(shù)，即可得到癲癇發(fā)作時該組合特征的概率P(feat|seiz)。同理，用某一組合所包含的數(shù)據(jù)段數(shù)除以無癲癇發(fā)作的總數(shù)據(jù)段數(shù)，即可得到無癲癇發(fā)作時該組合特征的概率P(feat|nonseiz)。

在單導(dǎo)聯(lián)中，將第i 層的P(feat|seiz)標記為P(SEIZ_i)，將該導(dǎo)聯(lián)腦電信號小波分解后第3 層、4 層和5 層分量的PSEIZ_i相加，得到該導(dǎo)聯(lián)某特征發(fā)生的概率和PSEIZ_CHAN;然后將該段腦電各個導(dǎo)聯(lián)特征發(fā)生的概率相加得到PSEIZ_EPCH。采用多種特征相結(jié)合，是為了增加癲癇發(fā)作檢測的準確性。而采用多導(dǎo)聯(lián)多層概率疊加的方法是為了突出癲癇發(fā)作期的特征，從而使自動檢測更加準確。同時，注意這里的PSEIZ_EPCH已經(jīng)不是傳統(tǒng)意義上的概率，而是一種由概率求出來的和值。在計算過程中，貝葉斯公式所要用到的P(feat)可由下式得到:

設(shè)定一個可調(diào)的閾值PTH，當PSEIZ_EPCH大于此閾值，表明出現(xiàn)癲癇發(fā)作的可能性較大。通過調(diào)節(jié)PTH閾值，既可調(diào)節(jié)癲癇檢測的靈敏度、特異性和誤檢率。

3.3 平滑處理

貝葉斯分類器的輸出因存在干擾，并不是一個漸變的過程。因此，在進行判別前，對分類器得出的概率進行平滑處理。使用移動平滑濾波器(MAF)，它的實現(xiàn)方式為

式中，x 表示平滑濾波器的輸入變量;y 表示平滑濾波器的輸出變量;2N +1 表示平滑濾波器的長度，也就是進行移動平均的數(shù)目。

經(jīng)過對PSEIZ_EPCH平滑濾波，一些偶發(fā)的較短時間的干擾得以消除。若平滑后的PSEIZ_EPCH大于閾值PTH，則將該段判定為癲癇發(fā)作。反之若小于該閾值，則將該段判為間歇期腦電。閾值PTH可由一經(jīng)驗公式確定:

PTH=訓(xùn)練數(shù)據(jù)的分類器輸出均值-調(diào)節(jié)系數(shù)×分類器輸出的方差 (10)調(diào)節(jié)系數(shù)在0 和1 之間，實驗中取為0.25。

3.4 驗證實驗

將所提出的方法應(yīng)用到臨床長程腦電的癲癇波的檢測中，實驗在AMD Athlon processor 2.71 GHz、1.00 GB 內(nèi) 存 計 算 機 上 進 行，使 用 Matlab R2011a 軟件進行編程。實驗中，將腦電數(shù)據(jù)按時間進行連續(xù)分段，每段1 024點，并隨機分成兩組，一組用來訓(xùn)練，一組用來測試。訓(xùn)練數(shù)據(jù)包括:254 段癲癇發(fā)作腦電和5 400段間歇期腦電。測試數(shù)據(jù)包括:1 803 段癲癇發(fā)作腦電和55 304段間歇期腦電。首先將每段數(shù)據(jù)進行5 層小波變換。然后，對訓(xùn)練數(shù)據(jù)進行特征提取，分別求取發(fā)作期和間歇期腦電的先驗概率和條件概率，得到125 種特征組合的分布概率。測試時，對分段后的測試數(shù)據(jù)提取特征，得到該段腦電癲癇發(fā)作的概率和，從而通過閾值判斷，判斷該段腦電是否含有癲癇波。

4 實驗結(jié)果

圖1 給出了所用微分方差、相對能量和波動指數(shù)等3 種特征在癲癇發(fā)作期與間歇期的腦電特征值的對比圖，可以看出癲癇腦電的波動指數(shù)、相對能量和微分方差要明顯高于間歇期腦電。圖中100 組特征數(shù)據(jù)的統(tǒng)計結(jié)果見表1，經(jīng)t 檢驗，3 種特征癲癇腦電和間歇期腦電之間均具有顯著性差異(P ＜0.001)。這些差異表明這3 種特征有助于區(qū)分癲癇腦電和間歇期腦電，可用于癲癇腦電的檢測。

圖1 癲癇腦電和間歇期腦電特征對比圖。(a)微分方差;(b)相對能量;(c)波動指數(shù)。Fig． 1 Feature comparison of seizure and nonseizure EEG epochs． (a)Differential variance;(b)Relative energy;(c)Fluctuation index．

表1 癲癇腦電和間歇期腦電特征統(tǒng)計結(jié)果(均值 ± 標準)Tab．1 The statistical results of features of seizure and non-seizure EEG epochs (mean ± SD)

采用靈敏度(sensitivity)、特異性(specificity)和誤檢率(false detection rate)對提出的顱內(nèi)自動癲癇檢測方法進行評估。靈敏度定義為正確檢測的陽性樣本占測試樣本集中陽性樣本總數(shù)的比值;特異性定義為正確檢測的陰性樣本占測試樣本集中陰性樣本總數(shù)的比值;誤檢率為平均每小時的錯誤檢測次數(shù)。癲癇腦電檢測的統(tǒng)計結(jié)果見表2，對于測試數(shù)據(jù)可以達到靈敏度94.2 %，特異性為95.6 %，誤檢率1.16 次/h。

表2 顱內(nèi)腦電數(shù)據(jù)癲癇檢測結(jié)果Tab． 2 Results of epileptic seizure detection from intracranial EEG

目前，已有多種自動檢測方法應(yīng)用于癲癇腦電檢測研究(見表3)。Khan and Gotman 提出了一種利用小波相對能量、方差函數(shù)和相對幅度作為特征的癲癇檢測方法［1］。該方法對來自11 位患者含有66 次癲癇發(fā)作的長程腦電數(shù)據(jù)進行檢測，獲得了87%的靈敏度。Majumdar 等利用窗口微分方差方法檢測15 人59 h 癲癇腦電，所取得的癲癇檢測靈敏度為91.5%［7］。Chua 等提出的患者相關(guān)檢測方法對15 人63 次癲癇發(fā)作的檢測靈敏度為78%［11］。Raghunathan 等人的多級癲癇檢測方法對5 個患者24 次癲癇發(fā)作檢測，所取得的靈敏度為87.5%。本方法對18 個患者66 次癲癇發(fā)作的長程腦電數(shù)據(jù)檢測的靈敏度達到了94.2%，與上述結(jié)果相比，獲得了更高的檢測靈敏度。

表3 顱內(nèi)腦電癲癇檢測方法的結(jié)果比較Tab．3 Result comparison of different seizure detection methods with intracranial EEG

5 討論

本檢測方法使用了3 種腦電特征:微分方差、相對能量和波動指數(shù)。其中，微分方差特征有效地利用微分運算處理腦電信號，更加突出了癲癇腦電的特征波，使得發(fā)作期的癲癇波與不發(fā)作的背景波之間的差異更加明顯，然后通過計算方差得到兩類腦電信號的統(tǒng)計特征。當癲癇發(fā)作時，腦電信號呈現(xiàn)出高幅的節(jié)律波，并且其能量主要集中在有限頻帶內(nèi)。相對能量特征正是利用該現(xiàn)象，通過計算個別頻帶能量與總能量的比值來區(qū)別癲癇發(fā)作期與未發(fā)作的間歇期。此外，癲癇發(fā)作時腦電信號的波動會比未發(fā)作的間歇期劇烈，而波動指數(shù)直觀地描述了信號的變化強度。本研究通過計算相對于背景波的波動指數(shù)，進一步突出了癲癇波的波動特性，有利于對癲癇發(fā)作的檢測。聯(lián)合微分方差、相對能量和波動指數(shù)這3 種特征，通過貝葉斯公式計算待檢腦電信號為癲癇波的概率，實現(xiàn)癲癇檢測，獲得了94.2%的檢測靈敏度。

檢測方法所選用的3 種腦電特征均為線性特征，具有運算復(fù)雜度低的特點，有利于癲癇腦電的實時在線檢測。

本研究所設(shè)計的分類器可直接用于新的腦電數(shù)據(jù)的檢測。如果靈敏度偏低，則需對部分新數(shù)據(jù)進行訓(xùn)練，利用統(tǒng)計學(xué)原理對發(fā)作期和間歇期數(shù)據(jù)進行統(tǒng)計，求得癲癇腦電的先驗概率和條件概率，然后對其余數(shù)據(jù)進行分類檢測。

6 結(jié)論

本研究探討了利用多特征對癲癇腦電信號進行自動檢測的方法。通過對癲癇患者的長程顱內(nèi)腦電進行實驗評估，結(jié)果說明了本研究所選微分方差、相對能量和波動指數(shù)特征可以較好地描述癲癇發(fā)作，區(qū)分發(fā)作期和間歇期的腦電信號，實現(xiàn)癲癇自動檢測。多特征聯(lián)合提高了癲癇檢測的性能。貝葉斯分類器結(jié)合可以調(diào)節(jié)的閾值，使得檢測結(jié)果具有較高的靈敏度和較低的誤檢率。所提出的癲癇波自動檢測的方法具有較好的臨床應(yīng)用潛力，值得進一步研究和探討。

［1］ Khan YU，Gotman J. Wavelet-based automatic seizure detection in intracerebral electroencephalogram ［ J ］. Clinical Neurophysiology，2003，114(5):898 -908.

［2］ Gotman J，Gloor P. Automatic recognition and quantification of interictal epileptic activity in the human scalp EEG［J］.Electroencephalography and Clinical Neurophysiology，1976，41(5):513 -529.

［3］ Gotman J. Automatic recognition of epileptic seizures in the EEG［J］. Electroencephalography and Clinical Neurophysiology，1982，54(5):530 -540.

［4］ Pradhan N，Dutt D，Satyam S. A mimetic-based frequency domain technique for automatic generation of EEG reports［J］.Computers in Biology and Medicine，1993，23(1):15 -20.

［5］ Sankar R，Natour J. Automatic computer analysis of transients in EEG［J］. Computers in Biology and Medicine，1992，22(6):407 -422.

［6］ Grewal S，Gotman J. An automatic warning system for epileptic seizures recorded on intracerebral EEGs ［J］. Clinical Neurophysiology，2005，116(10):2460 -2472.

［7］ Majumdar KK，Vardhan P. Automatic seizure detection in ECoG by differential operator and windowed variance［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering，2011，19(4):356 -365.

［8］ Saab M，Gotman J. A system to detect the onset of epileptic seizures in scalp EEG［J］. Clinical Neurophysiology，2005，116(2):427 -442.

［9］ Yuan Q，Zhou W，Liu Y，et al. Epileptic seizure detection with linear and nonlinear features［J］. Epilepsy and Behavior，2012，24:415 -421.

［10］ 蔡冬梅，周衛(wèi)東，李淑芳，等. 基于去趨勢波動分析和支持向量機的癲癇腦電分類［J］.生物物理學(xué)報，2011，27(2):175 -182.

［11］ Chua E，Patel K，F(xiàn)itzsimons M，et al. Improved patient specific seizure detection during pre-surgical evaluation［J］. Clinical Neurophysiology，2011，122(4):672 -679.

［12］ Raghunathan S， Jaitli A， Irazoqui PP. Multistage seizure detection techniques optimized for low-power hardware platforms［J］. Epilepsy and Behavior，2011，22:S61 -S68.