盧小杰，胡增勇，錢國強，白羽，潘媛媛，何夢奇，石奕佳

(皖南醫(yī)學院 a.醫(yī)學信息學院，b.健康大數(shù)據(jù)挖掘與應用研究中心，安徽 蕪湖 241002)

1 概述

癲癇表現(xiàn)為抽搐、痙攣、昏厥等臨床癥狀，給患者的身心帶來巨大的傷害.腦電圖(Electroencephalogram, EEG)在臨床上時常被用于癲癇疾病的診斷，癲癇發(fā)作是大腦神經(jīng)元的異常放電引發(fā)的，在腦電圖上可較為直觀的顯示出來[1].在臨床應用上，可分為顱內(nèi)腦電和頭皮腦電，顱內(nèi)腦電是在開顱手術后在大腦皮層上放置電極片，一般用于術前定灶.與顱內(nèi)腦電比較，頭皮腦電是在頭皮上無創(chuàng)放置電極片，操作簡單，因此頭皮腦電被廣泛地使用在臨床上，但是由于頭皮腦電和顱骨是天然的不良導體，大腦皮層釋放的電信號會受到嚴重的干擾，如出汗、血流、頭動、心電、工頻、肌電、基線漂移等影響腦電信號檢測的噪聲.EEG是一種非線性非平穩(wěn)信號，成分復雜且含有大量的噪聲，消除EEG偽跡和噪聲的影響是臨床診斷和EEG科學研究工作的前提.

現(xiàn)有的EEG偽跡去除方法是直接將含有噪聲信號的EEG信號去除，但在偽跡去除過程中容易去除信號中的特征成分.目前去除EEG中偽跡和噪聲的軟件也應用很廣泛，如基于Matlab的EEGLAB和基于python的MNELAB等.另外，很多信號處理方法如基于經(jīng)驗模態(tài)分解(empirical model decomposition,EMD)來提取本征模函數(shù)(Intrinsic Mode Function, IMF)，再進行重構信號的方法，有基于獨立成分分析(independent component analysis,ICA)的Infomax和Fast-ICA的方法，還有小波變換等方法也應用于EEG信號的偽跡和噪聲的去除中[2-3].小波變換[4]能最大限度保留信號中的突變特征成份，具有良好的時頻特性.但此方法是以信號不變特性或統(tǒng)計特性平穩(wěn)為前提，更適用于分析線性平穩(wěn)信號.獨立成分分析法利用原始信號的獨立性和非高斯性通過算法分解成若干獨立成分.ICA能夠提取EEG信號的主成份，濾掉偽跡成份，但該方法局限于時域上，無法體現(xiàn)出頻域上的信號處理方式，給腦電信號偽跡去除帶來一定的局限性.Huang等[5-6]描述的EMD是在時域和頻域上進行自適應分解，能夠較好的處理非線性非平穩(wěn)信號，它包含了小波變換多分辨率的優(yōu)點并且克服了小波基選擇的困難，現(xiàn)在已經(jīng)被廣泛的應用于EEG信號處理.

針對頭皮腦電偽跡和噪聲的問題，本文在總結(jié)前人研究的基礎上，利用MNELAB軟件中的Fast-ICA方法與EMD方法進行對比研究，發(fā)現(xiàn)兩者都獲得了較好的噪聲和偽跡去除效果，但前者無法批量處理，且自由度差，需要多重操作步驟來完成.本文設計一種方法進行多通道腦電信號的批量噪聲和偽跡去除處理，簡化實驗流程，為EEG的研究和臨床診斷提供重要手段.

2 研究方法

2.1 偽跡和噪聲

偽跡和噪聲的來源由受試者本身的干擾和設備的干擾組成，且頭皮EEG信號非常微弱，極易受到干擾.在EEG信號中，常見的偽跡有：眼電(EOG)偽跡、肌電(EMG)偽跡、心電(ECG)偽跡、出汗偽跡、血管波偽跡、運動偽跡、50 Hz工頻干擾、基線漂移以及一些高頻信號干擾等[7-8].眼電偽跡是由眼動造成，其振幅較大，一般體現(xiàn)在前額區(qū)域測得的腦電信號上；肌電偽跡是由于在人體在活動或肌肉收到刺激時，在電信號表現(xiàn)上產(chǎn)生某種不規(guī)則快速變化的波形，它的頻率在5～2000 Hz，屬于高頻干擾；工頻干擾是指50 Hz/60 Hz交流電對腦電信號采集儀器的干擾，或者是地線接觸不良造成的干擾；基線漂移是在肢體運動、呼吸或采集過程中產(chǎn)生的在心電圖上表現(xiàn)為基線偏離正常位置的一種心電干擾，頻率小于5 Hz.心臟跳動、眨眼、出汗、血管波、頭動都是造成偽跡的原因，所以頭皮腦電極易受到干擾，這些噪聲和偽跡嚴重影響了疾病的臨床診斷和腦電信號的研究，因此偽跡和噪聲的去除是非常關鍵的步驟和前提.

2.2 基于EMD的腦電信號偽跡去除方法

EMD是將EEG信號分解為若干個IMF[9-10]，IMF的個數(shù)根據(jù)信號長度、復雜程度等固有特征進行自適應的調(diào)整，無需事先預定，這一點優(yōu)于小波變換時需要選擇小波基的特點，每個IMF包含了原有信號的時域和頻域信息.分解的基本思想是自適應地進行信號主要成分分析，將一個頻率不均勻的信號化為多個單一頻率的信號和殘差信號.其分解過程為：

(1)尋找原有信號X(t)所有的極大值點，用三次樣條插值函數(shù)擬合構成上包絡線，記為m+；同理，尋找原有信號X(t)所有的極小值點構成下包絡線，記為m_.

(4)計算減去c1(t)的殘余函數(shù)，記為r1(t)，r1(t)=X(t)-c1(t).

3 實驗分析

3.1 腦電數(shù)據(jù)選取

本文的原有信號來自波士頓兒童醫(yī)院和麻省理工學院CHB-MIT聯(lián)合采集的頭皮腦電圖公開數(shù)據(jù)庫(https：//archive.physionet.org/physiobank/database/chbmit/)[11]，多通道長程腦電圖采樣頻率256 Hz，記錄22例(男性5例，3～22歲;女性17例，1.5～19歲).每個案例包含9到42個連續(xù)的edf文件.大多數(shù)edf文件只包含一個小時的腦電圖信號和23個腦電圖信號通道(某些情況下24或26個).這些數(shù)據(jù)采用國際10-20電極位置命名系統(tǒng)進行記錄，如圖1所示.

圖1 電極放置和從發(fā)作間期到癲癇發(fā)作期的EEG信號

圖1左側(cè)顯示雙相的分布蒙太奇腦電圖模式利用了兩個記錄電極(灰色電極部分)作為輸入終端的微分放大器,即FP1-F7, F7-T7, T7-P7, P7-O1, FP1-F3, F3-C3, C3-P3, P3-O1, FP2-F4, F4-C4, C4-P4, P4-O2, FP2-F8, F8-T8, T8-P8, P8-O2,FZ-CZ, CZ-PZ, P7-T7, T7-FT9, FT9-FT10, FT10-T8, T8-P8.圖1右側(cè)為從1小時的長程腦電信號中選取的299 9 s～300 4 s的信號段.由波形可以看出，EEG信號從發(fā)作間期到癲癇發(fā)作期的波形存在顯著差異，其振幅和頻率變化很大.

3.2 基于MNELAB的腦電偽跡去除

本文主要使用基于MNE-python庫的MNELAB偽跡去除方法.MNE-python是一款開源的用于腦電圖和腦磁圖分析處理的軟件.由哈佛大學牽頭開發(fā)，其主要功能包括：腦電和腦磁信號的預處理和偽跡去除、源定位、時頻分析、功能性連接、機器學習和信號源的可視化等.在很長的時間內(nèi)一直沒有GUI界面，所以使用起來較為麻煩，之后開發(fā)出的MNELAB是MNE-python的GUI界面，讓其使用起來更方便.本文利用MNELAB對數(shù)據(jù)進行預處理.MNELAB 自0.4.0版本后，界面簡潔明了，可以讀取各EEG數(shù)據(jù)且讀取速度快.MNELAB含有 Fast-ICA對EEG信號進行處理的控件.

利用MNELAB的import功能導入數(shù)據(jù)，首先利用帶通濾波器對原有信號濾除工頻干擾噪聲和腦電采集儀的固有噪聲，將0.5～50 Hz之間的信號提取出來.在進行Fast-ICA預處理之前，先對數(shù)據(jù)濾波濾去與研究無關的波段，利用tools工具中的Filter data即可，研究選擇0.5～50.0 Hz進行濾波.后期分離波段alpha(8～12 Hz)、beta(12～40 Hz)、theta(4～8 Hz)、delta(0.5～4 Hz)和gamma(>40 HZ)方法同上.濾波完成后就可以進行Fast-ICA處理，在tools工具中選擇Run ICA，MNELAB中的Fast-ICA運行速度較其他ICA速度更快，Run ICA完成后，選擇apply ICA即完成了對數(shù)據(jù)的預處理.

圖2(a)為偽跡和噪聲去除前的信號，信號中含有大量的噪聲和偽跡，如P8-O2的肌電偽跡，部分通道上出現(xiàn)的眼電偽跡等.圖2(b)為經(jīng)過MNELAB預處理過的數(shù)據(jù)波形相比與處理前的明顯平緩許多，且濾去了大于50 Hz的信號.圖2(c)和圖2(d)為其相對應的多通道功率譜曲線，圖2(c)為去除偽跡和噪聲前的功率譜，圖中顯示較多的高頻信號(尖峰)和50 Hz的工頻干擾，圖2(d)為處理后的功率譜，高頻信號消除很多，同時濾除了>50 Hz的信號.利用MNELAB對癲癇腦電信號進行數(shù)據(jù)預處理方便易行，首先MNELAB功能界面簡潔明了，其次MNELAB中的Fast-ICA的執(zhí)行與收斂速度快，這樣有助于我們更加快速的對癲癇間期的波形數(shù)據(jù)進行分析研究.進行多通道腦電信號的處理能夠獲得較好的實驗結(jié)果，且方便快捷，這就是這種軟件得到廣泛應用的原因.但是這種腦電信號處理方式不能夠批量的處理，自主性差且透明度不高，因此本文研究一種能夠批量處理且處理效果較好地去除偽跡和噪聲的方法.

圖2 處理前和處理后的多通道腦電信號的波形和功率譜

3.3 基于EMD的腦電信號偽跡去除

上述方法得到了較好的偽跡和噪聲去除的效果，但是無法進行批量處理，軟件算法透明度不高，本文更進一步的設計基于EMD的腦電信號偽跡去除，提取出某一段信號，先進行EMD算法分解出不同的IMF分量，如圖3所示.

圖3 EMD分解的IMF分量及其頻譜

由圖3左圖看出，信號經(jīng)過EMD可以分解出不同的IMF分量，由高頻到低頻的順序，根據(jù)不同的頻率對各個IMF進行不同的組合，如利用IMF0-IMF3進行重構得到高頻段的信號，反之利用IMF4-IMF7進行重構得到低頻段的信號.因此，EMD可以提取不同頻段的信號，如α(8～13 Hz), β(14～30 Hz),θ(4～7 Hz),δ(0.5～3 Hz)波.圖3右圖為其相對應的頻譜，可看出頻率是由高頻到低頻的順序.

本文根據(jù)處理后的IMF和殘余分量進行重構癲癇發(fā)作期的信號和癲癇發(fā)作間期的信號，得到如圖4所示重構后的信號.

圖4 癲癇發(fā)作期和癲癇發(fā)作間期的EEG信號偽跡和噪聲的去除前后對比圖

圖4(a)為去除偽跡和噪聲之前的癲癇發(fā)作期信號，含有大量的噪聲和偽跡，棘波、慢波和棘慢波等癲癇異常波形較難以在這種信號中判別出來，影響臨床診斷；圖4(b)為去除偽跡和噪聲之后的癲癇發(fā)作期信號，癲癇異常波形比較清晰的能判別出來；圖4(c)為癲癇發(fā)作間期患者正常狀態(tài)的信號，信號中出現(xiàn)了肌電偽跡和其他毛刺噪聲，由圖4(d)看出偽跡和噪聲都得到有效的去除.由圖4得出癲癇期和癲癇間期的信號均得到了較好的去除噪聲和偽跡的效果.更進一步地，實驗加入多循環(huán)，進行多通道的信號處理，同時進行批量處理.經(jīng)實驗對比得知程序的時間復雜度上不如MNELAB軟件中的Fast-ICA方法，但是優(yōu)于其中的Infomax方法，但在實現(xiàn)多通道信號的批量處理方面，方法透明度高、自主性強.按照上述實驗，本文再選出5個病人的總共20組腦電信號的處理，均得到了較好的偽跡去除效果.

4 結(jié)論

本文運用MNELAB和EMD對比研究實現(xiàn)腦電信號的偽跡去除處理，并對CHB-MIT腦電數(shù)據(jù)庫中的數(shù)據(jù)進行仿真實驗.結(jié)果表明：MNELAB和EMD 方法都能更有效地去除信號中的噪聲部分，從而使腦電信號的特征更明顯，同時拓展了MNELAB，解決了現(xiàn)有軟件透明度不高、自主性不強等不足，說明了該方法具有廣闊的應用前景和臨床應用價值.