張航宇，李 彬，尹春麗，劉 凱，王玉平，張軍鵬

1.四川大學(xué) 電氣信息學(xué)院 自動化系，成都610065

2.首都醫(yī)科大學(xué) 宣武醫(yī)院 神經(jīng)內(nèi)科，北京100053

1 引言

癲癇是大腦神經(jīng)元異常放電，導(dǎo)致大腦功能障礙的一種慢性腦部疾患，以腦部神經(jīng)元過度放電所致的突然反復(fù)和短暫的中樞神經(jīng)系統(tǒng)功能失常為特征[1]。在我國，癲癇的患病率約為3‰ 至6‰ ，難治性癲癇約占20%[1-2]，目前全世界患有癲癇疾病的人數(shù)約占總?cè)丝跀?shù)的1%，且每年以0.02%～0.05%的速度增長[3]。

自發(fā)功能連接（spontaneous Functional Connectivity，sFC）已成為認(rèn)知神經(jīng)科學(xué)的一個(gè)主要工具[3]。自發(fā)功能連接是基于對腦區(qū)間的自發(fā)波動信號之間的統(tǒng)計(jì)關(guān)系的分析，一些研究提出它能反映腦區(qū)之間的深層神經(jīng)互動[4]。作為神經(jīng)科學(xué)研究的一個(gè)工具，自發(fā)功能連接能夠幫助理解脫離任務(wù)環(huán)境下的大腦是如何工作的[5]。自發(fā)功能連接作為一個(gè)重要且廣泛使用的工具，它可以檢測典型大腦的功能連接并記錄神經(jīng)發(fā)育[6]，還可以描繪神經(jīng)學(xué)和精神病學(xué)失調(diào)病癥的異常腦活動的特性，這些病癥包括中風(fēng)、帕金森癥、阿爾茲海默癥、癲癇和自閉癥。

自發(fā)波動由Biswal 基于功能磁共振數(shù)據(jù)在血液氧合中第一次觀察到，隨后同樣的網(wǎng)絡(luò)在大腦電生理學(xué)記錄腦電圖和腦磁圖中也被觀察到[7]。很多研究出于高空間分辨率的原因使用功能磁共振成像，但是它的低時(shí)間分辨率（0.5～2 Hz）和血管決定的對比度使它不能直接研究被認(rèn)為是腦區(qū)間信息交流機(jī)制的高頻神經(jīng)皮層活動[8]。除此之外，神經(jīng)活動的時(shí)間尺度是典型的遠(yuǎn)遠(yuǎn)快于fMRI的記錄能力的[9]。

腦磁圖（Magnetoencephalography，MEG）是一種非侵入式的測量神經(jīng)集束樹狀活動所引發(fā)磁場的方法，它的采樣率超過500 Hz，能夠直接用來研究快速神經(jīng)活動[10]。為了獲取多樣的神經(jīng)生理學(xué)相關(guān)頻段，本研究使用MEG，這是由于它的時(shí)間分辨率高。有些研究已經(jīng)證明了使用皮層區(qū)域間相位關(guān)系作為功能連接量度的有效性。特別的，相位鎖定值是衡量兩個(gè)時(shí)間序列間相位同步性的方法，它以前被用于分析MEG 的靜息態(tài)連接，來建立腦功能連接網(wǎng)絡(luò)。腦磁圖檢查是輔助癲癇診斷的一個(gè)非常重要的手段。癲癇在腦磁圖中的主要表現(xiàn)是棘波和尖波，有時(shí)對它們不作區(qū)分，統(tǒng)稱為癲癇瞬變現(xiàn)象[11]或棘波。棘波和尖波突出于背景活動，波幅較高，周期為20～200 ms。

腦磁信號的分析主要是對大腦異?；顒拥臋z測分析，這些工作目前都是由醫(yī)療工作者根據(jù)經(jīng)驗(yàn)通過對患者腦磁圖的視覺檢測完成的。視覺檢測有許多不利的因素，一般一次檢測要記錄60 min 的數(shù)據(jù)，從很長的數(shù)據(jù)中找出棘波非常耗費(fèi)精力，對分析者的判斷力有很高要求，并且醫(yī)生在工作中要接觸大量癲癇病例，在繁重的工作任務(wù)下分類結(jié)果的準(zhǔn)確性無法保證。而且，不同的專家對同一記錄的判斷結(jié)果也不盡相同。因此，對異常大腦電生理信號的自動檢測就顯得十分重要[12]。

不論選用何種檢測標(biāo)準(zhǔn)，通常要求棘波檢測結(jié)果有較高的正確率，較低的漏檢率和誤檢率。本文提出一種基于Desikan-Killiany 腦區(qū)劃分的相位鎖定值腦功能連接網(wǎng)絡(luò)全頻段的機(jī)器學(xué)習(xí)棘波檢測方法，可對大腦棘波放電狀態(tài)進(jìn)行客觀的標(biāo)定，有很大的潛力應(yīng)用于腦磁圖癲癇棘波的自動識別與標(biāo)記的輔助工具，降低醫(yī)生的勞動強(qiáng)度，提升檢測正確率并降低漏檢率和誤檢率。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)采集

本文使用的MEG數(shù)據(jù)來自于首都醫(yī)科大學(xué)宣武醫(yī)院腦磁圖中心做檢查的20名被確診為島葉及島蓋癲癇的患者，均在手術(shù)前進(jìn)行了MEG檢查，其中男11例，女9例；年齡15～52歲，平均28.7歲。

MRI 應(yīng)用1.5T 或3.0T 進(jìn)行標(biāo)準(zhǔn)的MRI 掃描，包括橫斷位SE 序列T1W1 及TSE 序列T2W1（層厚5 mm）；垂直于右側(cè)海馬長軸的斜冠狀位和平行于海馬長軸的橫斷位液體衰減反轉(zhuǎn)恢復(fù)（FLAIR）序列（層厚5 mm）。

MEG 應(yīng)用芬蘭Elekta Neuromag Oy 公司生產(chǎn)的NM20215A-G 型306 信道全頭型生物磁儀對患者進(jìn)行檢測?；颊哂诎察o狀態(tài)下于磁屏蔽室記錄60 min自發(fā)腦磁圖數(shù)據(jù)。帶通濾波為0.10～330 Hz，采樣率1 000 Hz。腦磁源成像（MSI）采用標(biāo)準(zhǔn)程序306導(dǎo)全頭型腦磁圖系統(tǒng)進(jìn)行采集，對發(fā)作間期癲癇樣波進(jìn)行標(biāo)記、離線分析。腦磁波與病人MRI 圖像進(jìn)行融合，在MRI 上自動生成MSI圖像。

腦磁圖中心的醫(yī)生根據(jù)經(jīng)驗(yàn)為每位病例挑選出三段含棘波的數(shù)據(jù)區(qū)段，每段各10 s，并標(biāo)出棘波峰值的時(shí)間點(diǎn)；作為對比同時(shí)提供每位病例三段正常靜息態(tài)的數(shù)據(jù)區(qū)段，每段各10 s，為了保證本次選出的棘波數(shù)據(jù)與正常靜息態(tài)數(shù)據(jù)的正確性與典型性，特意請不同的醫(yī)生進(jìn)行了交叉檢查確認(rèn)，確保了本次研究采用的兩種數(shù)據(jù)均為典型棘波態(tài)與典型正常靜息態(tài)的腦磁圖數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

獲取了醫(yī)生用傳統(tǒng)方法挑選出的全部20例病例的MEG數(shù)據(jù)后，采用基于數(shù)學(xué)軟件矩陣實(shí)驗(yàn)室（MATLAB）平臺下的MEG 分析軟件Brainstorm（brain recordings analysis tool）進(jìn)行數(shù)據(jù)預(yù)處理。首先，對MEG 進(jìn)行濾波得到0.1～500 Hz頻段數(shù)據(jù)；然后，去除數(shù)據(jù)中的偽跡，主要包括眼電、眼動等對MEG的干擾。

所有數(shù)據(jù)均嚴(yán)格按照上述方法依次進(jìn)行處理后，從醫(yī)生提供的10 s 有棘波數(shù)據(jù)段中截取含棘波峰值的數(shù)據(jù)段2 000 ms，從10 s無棘波數(shù)據(jù)段中間截取相同長度的數(shù)據(jù)段；最后共獲得2 000 ms時(shí)長的有棘波數(shù)據(jù)段與無棘波數(shù)據(jù)段各60段，這些數(shù)據(jù)是進(jìn)一步分析的基礎(chǔ)。

2.3 腦功能網(wǎng)絡(luò)建立

所有數(shù)據(jù)均通過基于Uhuntu 平臺的工作站，調(diào)用FreeSurfer 軟件包，進(jìn)行自動化分析處理。分析處理過程分為體積處理流程與表面處理流程兩大部分。體積處理流程包括圖像灰度標(biāo)準(zhǔn)化、不均勻磁場的校正、到Talairaeh 空間的配準(zhǔn)、非腦組織的去除和白質(zhì)（White Matter，WM）與灰質(zhì)（Grey Matter，GM）的分割等。表面處理流程包括對白質(zhì)曲面進(jìn)行三維重建，從白質(zhì)曲面出發(fā)，沿著灰質(zhì)梯度方向向外膨脹得到灰質(zhì)外表面曲面。定義灰質(zhì)曲面和白質(zhì)曲面間的距離為腦皮層厚度，采用T-average算法計(jì)算皮層厚度?；屹|(zhì)外表面向外膨脹，得膨脹曲面。膨脹曲面經(jīng)過球狀形變后與模板進(jìn)行高維配準(zhǔn)，依據(jù)Desikan-Killiany圖譜對皮層進(jìn)行自動分區(qū)。Desikan-Killiany 圖譜將全腦分為70 個(gè)腦區(qū)（左右半腦各35 個(gè)），其中胼胝體沒有灰質(zhì)厚度，因此最后得到68個(gè)腦區(qū)（左右半腦各34個(gè)）的皮層厚度。對全部數(shù)據(jù)用Brainstorm軟件中自帶的Dipole方法進(jìn)行求源處理，接著對每位病例每個(gè)波段求源過的數(shù)據(jù)按照Desikan-Killiany圖譜進(jìn)行下采樣。

腦網(wǎng)絡(luò)最基本和最關(guān)鍵的兩個(gè)組成元素是節(jié)點(diǎn)和邊：節(jié)點(diǎn)代表了大腦的各個(gè)腦區(qū)，邊則能反映各個(gè)腦區(qū)之間的聯(lián)系。Desikan-Killiany模板所劃分的68個(gè)腦區(qū)被定義為腦網(wǎng)絡(luò)中的節(jié)點(diǎn)，如圖1 所示，每個(gè)腦區(qū)是一個(gè)節(jié)點(diǎn)。

圖1 全腦68個(gè)腦區(qū)分區(qū)圖

腦功能網(wǎng)絡(luò)使用相位鎖定值（Phase Locking Value，PLV）[13-14]構(gòu)建。相位鎖定值是對兩個(gè)時(shí)間序列信號在一段時(shí)間內(nèi)保持恒定相位分離的傾向的度量。對于電生理學(xué)記錄的時(shí)間序列之間靜息態(tài)相位鎖定的測量，可以表征在給定頻率下這些時(shí)間序列之間的相位差隨時(shí)間變化的特性。PLV的計(jì)算公式如下：

其中，N 是采樣點(diǎn)的個(gè)數(shù)，θ1和θ2是采樣點(diǎn)n 處的瞬時(shí)相位值，相位鎖定值為復(fù)數(shù)，其模的范圍為0到1，0代表隨機(jī)的相位關(guān)系，1代表固定的相位關(guān)系。相位鎖定是一種無方向的量度方式，因此是對稱的。全腦相位鎖定網(wǎng)絡(luò)是在每一對皮層腦區(qū)時(shí)間序列測量結(jié)果之間計(jì)算出來的，由于相位鎖定的對稱性，只需要在每一對時(shí)間序列測量結(jié)果之間計(jì)算一個(gè)相位鎖定值。

下采樣之后得到每個(gè)源的數(shù)據(jù)，之后對頻率范圍為0.1～500 Hz的全部兩組數(shù)據(jù)中的所有個(gè)體數(shù)據(jù)段分7個(gè)頻段分別求出相位鎖定值（PLV）矩陣。全部7個(gè)頻段從F1低頻到F7高頻的對應(yīng)頻率范圍如表1所示。

表1 頻段對應(yīng)表

為了有代表性，隨機(jī)選取單一頻段下相位鎖定值矩陣作為典型展示，在此選取3號病例alpha頻段下2 000 ms時(shí)長數(shù)據(jù)段的相位鎖定值矩陣展示于圖2中。

圖2 相位鎖定值矩陣

3 模型設(shè)計(jì)

本文使用了三種傳統(tǒng)的分類算法，分別是線性邏輯回歸分類、基于線性核函數(shù)和徑向基核函數(shù)的支持向量機(jī)分類與高斯樸素貝葉斯分類算法。以上模型均使用了scikit-learn框架下的函數(shù)實(shí)現(xiàn)。

3.1 線性分類原理

本文使用Sigmoid函數(shù)作為線性邏輯回歸（Logistic-Regression）分類器函數(shù)。Sigmoid函數(shù)是使用范圍最廣的一類分類函數(shù)，該函數(shù)定義為：

其中，y 是樣本被判別為正例的概率，1-y 為樣本被判別為負(fù)例的概率。為保證模型的訓(xùn)練精度，損失函數(shù)引入L1正則化項(xiàng)，其中設(shè)定正則化系數(shù)倒數(shù)C=1.0，模型預(yù)測值為二分類的概率值，其損失函數(shù)為：

計(jì)算損失函數(shù)取最小值時(shí)的參數(shù)(w,b)，即能得到最優(yōu)的分類模型。

3.2 支持向量機(jī)分類原理

支持向量機(jī)在高維度或無窮維度空間中，構(gòu)建一個(gè)超平面或者一系列的超平面，借助超平面去實(shí)現(xiàn)分割，使正負(fù)樣本之間的空白最大。該模型對非線性關(guān)系分類有較好的效果。基本原理如下。

給定訓(xùn)練向量xi∈RP,i=1,2,…,n 和一個(gè)標(biāo)簽向量y ∈{1,-1}n。在樣本空間存在一個(gè)超平面wTx+b=0 可以實(shí)現(xiàn)對樣本進(jìn)行有效分類，則有：

使得式（4）等號成立的距離超平面最近的幾個(gè)點(diǎn)構(gòu)成支持向量，正反方向支持向量到超平面的距離之和為使得該距離最小的參數(shù)即為最優(yōu)參數(shù)。用作為式目標(biāo)函數(shù)，按照拉格朗日乘子法進(jìn)行優(yōu)化，簡化為對偶問題：

當(dāng)原始空間超平面不能對數(shù)據(jù)進(jìn)行有效分隔時(shí)，需要將數(shù)據(jù)映射到高維空間，即。在對偶問題中，尋找核函數(shù)使得，以便在較低維度空間實(shí)現(xiàn)內(nèi)積計(jì)算。本文采用線性核函數(shù)（kernel：linear）和徑向基核函數(shù)（kernel：rbf）。

3.3 樸素貝葉斯分類

樸素貝葉斯分類（Naive Bayesian Classifier，NBC）由于計(jì)算高效、精確度高，并具有堅(jiān)實(shí)的理論基礎(chǔ)而得到廣泛的應(yīng)用。一般情況下在貝葉斯分類中的所有屬性都直接或間接地發(fā)揮作用，即所有的屬性都參與分類，而不是一個(gè)或幾個(gè)屬性決定分類[15]。貝葉斯分類器的分類原理是通過某標(biāo)簽的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，選擇具有最大后驗(yàn)概率的類作為該對象所屬的類。簡單地假設(shè)任意兩對特征之間相互獨(dú)立，假設(shè)每個(gè)樣本為獨(dú)立同分布，根據(jù)中心極限定理，標(biāo)準(zhǔn)化之后的每個(gè)特征的數(shù)據(jù)滿足高斯分布的假設(shè)，即P(xi|y)～Gaussian，根據(jù)貝葉斯定理，則有：

根據(jù)每對特征之間相互獨(dú)立的假設(shè)，從而有：

根據(jù)式（7）即可計(jì)算y 的后驗(yàn)分布。

3.4 原始特征構(gòu)建

在研究中，先使用作為原始特征空間的PLV復(fù)數(shù)矩陣數(shù)據(jù)本身（plv）、該矩陣數(shù)據(jù)的實(shí)部（plv_real）、虛部（plv_imag）、幅角（plv_angle）和模（plv_abs）分別進(jìn)行了測試。結(jié)果表明，在使用的所有模型中，模數(shù)據(jù)表現(xiàn)最為優(yōu)異。以樸素貝葉斯分類器模型為例，采用五項(xiàng)數(shù)據(jù)分類的準(zhǔn)確率如表2所示。

表2 基于樸素貝葉斯分類器模型的準(zhǔn)確率分布表

經(jīng)測試，在本文使用的其他四種分類器模型中以上五種數(shù)據(jù)均有類似表現(xiàn)，因此本文所提到的數(shù)據(jù)均為PLV復(fù)數(shù)矩陣的模（plv_abs）數(shù)據(jù)，選定該原始特征空間復(fù)數(shù)矩陣的模數(shù)據(jù)作為原始特征數(shù)據(jù)集。

在實(shí)驗(yàn)中使用以上四種分類器對plv_abs數(shù)據(jù)分別進(jìn)行學(xué)習(xí)分類，實(shí)驗(yàn)結(jié)果如表3所示。

表3 基于原始數(shù)據(jù)的不同模型分類準(zhǔn)確率和AUC結(jié)果比較

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)流程

首先根據(jù)120×15 946的原始特征數(shù)據(jù)集作為輸入，然后對輸入數(shù)據(jù)集做了標(biāo)準(zhǔn)化，最后對標(biāo)準(zhǔn)化后的數(shù)據(jù)集應(yīng)用卡方檢驗(yàn)、F檢驗(yàn)與迭代特征消除三種方法進(jìn)行了特征提?。粦?yīng)用四種分類器分別對上述數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，對全部實(shí)驗(yàn)結(jié)果進(jìn)行了分析與比較。原始特征數(shù)據(jù)集構(gòu)建之后的處理流程如圖3所示。

圖3 實(shí)驗(yàn)流程圖

4.2 實(shí)驗(yàn)結(jié)果

為定性地比較各種不同的方法，本文對比了四種分類器的受試者工作特征曲線（Receiver Operating Characteristic Curve，ROC）圖。ROC 曲線是反映真陽性和假陽性的綜合指標(biāo)。本文的四種分類器對結(jié)果的預(yù)測均為一個(gè)概率值，其中有棘波的標(biāo)注為正例，正常無棘波狀態(tài)標(biāo)注為負(fù)例。按照判別為正例的概率值對測試結(jié)果進(jìn)行排序，再以不同概率值作為正反例判別的閾值，并計(jì)算相應(yīng)閾值下的真陽性率和假陽性率，即可繪制得到分類器的ROC曲線。一般根據(jù)對分類任務(wù)的不同要求，根據(jù)曲線對分類器性能的評判存在不同的標(biāo)準(zhǔn)，且本文的分類器ROC曲線存在交叉，因此本文按照通用的AUC（Area Under the ROC Curve）方式對分類器性能進(jìn)行評價(jià)。AUC是ROC曲線與軸所包絡(luò)部分的面積，面積越大，表明該分類器的分類性能越好。

4.2.1 原始特征數(shù)據(jù)集的實(shí)驗(yàn)比較

使用plv_abs 數(shù)據(jù)作為原始特征數(shù)據(jù)集輸入，在對四種個(gè)分類模型進(jìn)行訓(xùn)練后，實(shí)驗(yàn)結(jié)果如表3與圖4所示。

圖4 原始數(shù)據(jù)的ROC圖

從表3與圖4中可以看出使用樸素貝葉斯分類器模型準(zhǔn)確率為0.875，比其他三種模型都要高，其AUC 值為0.914，也是所有分類器中第二高的，說明對原始數(shù)據(jù)而言使用線性核函數(shù)的支持向量機(jī)分類器性能最好。

4.2.2 特征標(biāo)準(zhǔn)化的實(shí)驗(yàn)比較

對原始特征數(shù)據(jù)集的各列特征向量數(shù)據(jù)均按照公式（8）進(jìn)行了標(biāo)準(zhǔn)化處理：

其中，xi表示第i 個(gè)特征向量，σi表示該列特征的標(biāo)準(zhǔn)差，μi表示第i 個(gè)特征的均值，xstd表示標(biāo)準(zhǔn)化之后的特征向量。

使用標(biāo)準(zhǔn)化后數(shù)據(jù)作為輸入，在對四種模型進(jìn)行訓(xùn)練后，測試結(jié)果見表4和圖5。

在對原始訓(xùn)練集的各列數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，線性邏輯回歸分類器的準(zhǔn)確率從0.771提升為0.917，使用線性核函數(shù)的支持向量機(jī)分類器的準(zhǔn)確率從0.833提升為0.917，而徑向基核函數(shù)支持向量機(jī)分類器的準(zhǔn)確率從0.500 提升為0.938，說明提升最高，樸素貝葉斯分類器的準(zhǔn)確率也從0.875小幅提升為0.896，說明對原始訓(xùn)練集的各列數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理有利于提升準(zhǔn)確率，并且四種分類器就準(zhǔn)確率而言性能相差不大，結(jié)合作為分類器性能評價(jià)標(biāo)準(zhǔn)的AUC 值，徑向基核函數(shù)支持向量機(jī)分類器的AUC 值為0.951，在四種分類器中值最大，故綜合上述結(jié)果，使用標(biāo)準(zhǔn)化后的特征數(shù)據(jù)集作為輸入，選用徑向基核函數(shù)支持向量機(jī)分類器進(jìn)行棘波自動分類的效果最好，成功率為93.8%。

表4 基于標(biāo)準(zhǔn)化數(shù)據(jù)的不同模型分類準(zhǔn)確率和AUC結(jié)果比較

圖5 原始數(shù)據(jù)標(biāo)準(zhǔn)化的ROC圖

4.2.3 特征提取

在現(xiàn)實(shí)的人類識別中，根據(jù)經(jīng)驗(yàn)知識能夠輕易識別棘波的存在及相關(guān)影響，很明顯未能短時(shí)間速實(shí)現(xiàn)對15 946 維數(shù)據(jù)的觀測和判斷，因此推斷，數(shù)據(jù)的維度中必然存在大量的冗余，因此在適當(dāng)容忍模型性能降低的基礎(chǔ)上進(jìn)行了特征選擇，以降低模型的復(fù)雜度。

（1）基于單變量的特征選擇

基于單變量的統(tǒng)計(jì)測試，通過過濾的方式選擇特征。本文采用卡方檢驗(yàn)和F檢驗(yàn)方法，逐一對單個(gè)特征與實(shí)驗(yàn)標(biāo)簽進(jìn)行相關(guān)性檢驗(yàn)，并根據(jù)相關(guān)性排序選擇部分特征。基于對提取后的特征多次測試，判定選擇32個(gè)特征，即整體特征數(shù)的0.2%時(shí)就能達(dá)到較高的分類準(zhǔn)確率又能大幅度降低特征數(shù)量。F 檢驗(yàn)和卡方檢驗(yàn)所提取的32個(gè)特征并不一致。

（2）基于模型的循環(huán)特征消除（RFE）

本文采用Logistic回歸分類模型，并使用了L1進(jìn)行正則化，選擇了32個(gè)特征。

4.2.4 特征選擇后數(shù)據(jù)的實(shí)驗(yàn)比較

分別使用3 種特征選擇方法篩選后的32 個(gè)特征向量作為輸入，在對4 種分類模型進(jìn)行訓(xùn)練后，實(shí)驗(yàn)結(jié)果如表5和圖6～8所示。

表5 不同特征選擇方式下分類器準(zhǔn)確率比較

圖6 基于卡方檢驗(yàn)提取特征的學(xué)習(xí)分類ROC比較

圖7 基于F檢驗(yàn)提取特征的學(xué)習(xí)分類ROC比較

圖8 基于迭代特征消除后特征的學(xué)習(xí)分類ROC比較

從表5 與表6 中可以看出，經(jīng)過迭代特征消除方法進(jìn)行特征選擇后，在四種分類器下的分類準(zhǔn)確率與分類器的AUC 值均低于其余兩種選擇方法，說明此種特征選擇方法的效果不好，故重點(diǎn)關(guān)注卡方檢驗(yàn)和F檢驗(yàn)特征提取選擇方法。

與特征標(biāo)準(zhǔn)化后的實(shí)驗(yàn)結(jié)果比較，線性邏輯回歸分類器的準(zhǔn)確率從0.917 降低為0.833 與0.833，線性核函數(shù)支持向量機(jī)分類器的準(zhǔn)確率從0.917 降低為0.896 與0.792，而徑向基核函數(shù)支持向量機(jī)分類器的準(zhǔn)確率從0.938降低為0.833與0.854，說明經(jīng)過特征選擇后，使用上述三種分類器分類，準(zhǔn)確率會有所降低，而對于樸素貝葉斯分類器，使用卡方檢驗(yàn)和F檢驗(yàn)特征提取后的數(shù)據(jù)作為輸入，其準(zhǔn)確率從0.896 提升為0.917，分類器AUC 值從0.912 提升到0.951，比其余三種分類器均要高，說明針對卡方檢驗(yàn)和F 檢驗(yàn)特征提取，樸素貝葉斯分類器性能最優(yōu)，分類效果最好。

表6 不同特征選擇方式下各模型的AUC比較

5 結(jié)果討論

5.1 模型選擇

在本文的研究中，通過醫(yī)生的精心挑選得到正常靜息態(tài)與棘波態(tài)腦磁圖樣本數(shù)據(jù)，數(shù)據(jù)被適當(dāng)?shù)仡A(yù)處理后，分七個(gè)頻段經(jīng)相位同步的PLV算法計(jì)算，得到68個(gè)腦區(qū)之間的PLV復(fù)數(shù)值矩陣作為特征空間，取該特征空間的模值數(shù)據(jù)作為原始特征數(shù)據(jù)集，然后對原始特征數(shù)據(jù)集做了標(biāo)準(zhǔn)化，最后對標(biāo)準(zhǔn)化后的數(shù)據(jù)集應(yīng)用卡方檢驗(yàn)、F 檢驗(yàn)與迭代特征消除三種方法進(jìn)行特征提取，最終構(gòu)成了五種用于輸入分類器的數(shù)據(jù)集；本研究中，應(yīng)用了機(jī)器學(xué)習(xí)的方法，包括線性邏輯回歸、線性核函數(shù)支持向量機(jī)、徑向基核函數(shù)支持向量機(jī)與樸素貝葉斯分類算法，構(gòu)建了四種對應(yīng)的分類器，將五種輸入數(shù)據(jù)集依次使用四種分類器進(jìn)行分類實(shí)驗(yàn)，得到相應(yīng)的分類準(zhǔn)確率，對分類器本身使用繪制受試者工作特征曲線（ROC）圖并計(jì)算對應(yīng)的AUC值方式對分類器性能進(jìn)行評價(jià)，最終得到，在應(yīng)用標(biāo)準(zhǔn)化后特征數(shù)據(jù)集不進(jìn)行特征選擇提取時(shí)，徑向基核函數(shù)支持向量機(jī)分類器的準(zhǔn)確率最高，為93.8%，AUC 值為0.951 所以性能最優(yōu)；應(yīng)用卡方檢驗(yàn)、F 檢驗(yàn)進(jìn)行特征提取后的特征數(shù)量大為減少，對應(yīng)此種精簡特征數(shù)據(jù)集時(shí)，樸素貝葉斯分類器的準(zhǔn)確率雖與完整特征數(shù)據(jù)集下最高分類準(zhǔn)確率相比稍有降低，也可達(dá)到91.7%，AUC值為0.951，故性能與完整特征數(shù)據(jù)集下的徑向基核函數(shù)支持向量機(jī)分類器相當(dāng)。

5.2 基于特征選擇的腦區(qū)識別

根據(jù)特征選擇的結(jié)果，32個(gè)特征基本能夠?qū)崿F(xiàn)對數(shù)據(jù)的較好分類。但基于F 檢驗(yàn)和卡方檢驗(yàn)提取的特征存在較大不同。按照68×68 矩形區(qū)域的上三角部逐行編號，兩類檢驗(yàn)的提取結(jié)果如表7。

從表7 可以得到，卡方檢驗(yàn)和F 檢驗(yàn)提取特征的分布上存在18個(gè)重疊特征，因此可以斷定，這18個(gè)特征對判別是否是癲癇癥患者具有重要影響。

表7 卡方檢驗(yàn)和F檢驗(yàn)提取特征編號的分布

6 結(jié)論和建議

對本文列出的18 個(gè)關(guān)鍵特征位置還原計(jì)算，得到所處的位置分別為：（1，20）（1，22）（1，60）（9，13）（12，20）（15，31）（15，65）（18，33）（18，48）（18，52）（25，42）（28，38）（30，61）（30，62）（31，38）（32，54）（55，66）（59，65），18個(gè)特征全部處于delta頻段。因此，可以斷定，決定癲癇的腦電信號可以完全由delta頻段的信號完成判別。建議在后續(xù)醫(yī)療實(shí)踐中，對以上18 個(gè)特征所對應(yīng)的18 對大腦皮層區(qū)域之間的信號傳遞加以重點(diǎn)關(guān)注，下一步從臨床實(shí)踐上對以上腦區(qū)開展研究。