2022年癲癇腦電信號提取及自動檢測方法

1、癲癇腦電信號分析方法癲癇是困擾人類安康的常見疾病之一，是一種患病率較高的腦部疾病。從電生理學(xué)的角度來看，其發(fā)病是由大腦內(nèi)的神經(jīng)元沿著神經(jīng)回路產(chǎn)生高頻率的異常放電所導(dǎo)致的。這些高頻放電可誘發(fā)大腦皮質(zhì)各區(qū)的強(qiáng)直發(fā)作，同時會伴隨著意識消失等病癥。腦電圖(EEG)是癲癇疾病診斷過程中非常重要的一個手段，癲癇發(fā)作時產(chǎn)生的特殊波形如棘波、尖波等都可以通過腦電圖表達(dá)出來。1.癲癇腦電信號特征腦電活動的頻率和節(jié)律在正常情況和癲癇發(fā)作的情況下有很大的區(qū)別，當(dāng)癲癇疾病發(fā)作時，就會出現(xiàn)與正常腦電信號不同的信號波形，癲癇腦電信號的特點(diǎn)是幅值較高的陣發(fā)性的瞬態(tài)波形,它的頻率和波形各式各樣,主要可以分為下面四類:1.1棘

2、波:多數(shù)棘波都是負(fù)相,且幅值在 100V 以上。棘波通常是原發(fā)病灶的一個特征，從原發(fā)性病灶描記出現(xiàn)的棘波，其背景腦電圖經(jīng)常有慢活動，是比擬典型的癲癇波。1.2尖波:尖波也是癲癇發(fā)作時較為常見的波形，典型的尖波是由較快的上升支和緩慢的下降支組成的，波形為鋸齒狀。尖波的幅值范圍一般處于 100V 與 200V之間。1.3 棘慢復(fù)合波:棘慢復(fù)合波是癲癇小發(fā)作時的特殊形式的放電，為 2.53 次/秒的復(fù)合波。它的節(jié)律性和規(guī)那么性比擬強(qiáng)，多以負(fù)相波形式出現(xiàn)，慢波是其主要成分。棘波在慢波的升支或者降支上出現(xiàn)，幅值大小不一，一般都比擬高。棘慢復(fù)合波多見于局限性癲癇。1.4 尖慢復(fù)合波:尖慢復(fù)合波常見于顳葉癲

3、癇，是1.52.5 次/秒的復(fù)合波，它經(jīng)常同時出現(xiàn)幾類不同的形式。彌漫性慢波節(jié)律出現(xiàn)在癲癇的頑固性大發(fā)作或者失神性小發(fā)作中。2 癲癇腦電特征提取方法2.1基于多分辨率分析的癲癇腦電特征提取方法腦電活動的頻率和節(jié)律在正常情況和癲癇發(fā)作的情況下有很大的區(qū)別，癲癇腦電信號的特征波主要有棘波、尖波、棘慢復(fù)合波、尖慢復(fù)合波等。在臨床EEG 檢查中，最重要的是識別 EEG 中是否出現(xiàn)棘波和尖波1，這些腦電波大致在842Hz 的頻率范圍內(nèi)出現(xiàn)。因此在研究癲癇腦電信號時，可以選擇分析這一頻率范圍附近的信號，這樣可以在一定程度上減少運(yùn)算量，并且提高癲癇腦電信號的識別效果。1989年，Mallat 和Meyer

4、在多分辨率分析的根底上提出了一種快速算法，即 Mallat 算法。在采用 Mallat 算法對腦電信號進(jìn)展小波分解時，首先要確定適宜的小波基函數(shù)，常用的小波函數(shù)有 Haar 小波、Daubechies 小波、Mexican hat 小波和 Symlets小波等。2.2基于非線性動力學(xué)的癲癇腦電特征提取人的大腦是由許多互相連接的神經(jīng)細(xì)胞所構(gòu)成的一個復(fù)雜的非線性系統(tǒng)。腦電信號也呈現(xiàn)出復(fù)雜多變的特性，隨著腦電信號研究方法的不斷進(jìn)步，EEG信號以及大腦神經(jīng)元活動表達(dá)出的非線性和混沌特性逐漸被人們所發(fā)現(xiàn)。據(jù)此可知非線性的分析方法更能表達(dá)出腦電信號的特點(diǎn)和機(jī)制2。隨著非線性動力學(xué)方法的不斷開展和完善，使其

5、成為腦電信號分析處理中較為先進(jìn)和熱門的方法之一。在非線性動力學(xué)方法中，復(fù)雜性分析是近年來腦電信號序列研究中的一個很受歡送的領(lǐng)域。復(fù)雜性分析很大的一個優(yōu)點(diǎn)在于分析時間序列數(shù)據(jù)時所需要的數(shù)據(jù)量很小。相比于其他非線性方法如李雅普諾夫指數(shù)3、關(guān)聯(lián)維數(shù)4等，它僅需要幾百個或者幾千個數(shù)據(jù)點(diǎn)來描述整個系統(tǒng)。而李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)等方法在參數(shù)估計(jì)過程中對數(shù)據(jù)量的要求比擬高，因此在實(shí)際應(yīng)用中實(shí)施起來比擬困難。近似熵就是一種較為常用的復(fù)雜性分析方法，它的優(yōu)點(diǎn)在于對數(shù)據(jù)大小的要求較低，僅需比擬少量的數(shù)據(jù)就可以取得相對較穩(wěn)定的估計(jì)值。在信息論中，“熵表達(dá)的是對不確定性的一種度量。熵是與可預(yù)測性以及隨機(jī)性相關(guān)的一個

6、概念。一般情況下，熵的值越高，系統(tǒng)越趨向于不規(guī)律性和隨機(jī)性。近似熵的方法是 Pincus 5在 1991 年提出的，它被定義為一個時間序列在某一長度的模板具有相似性的前提下，在下一個增量時相似的概率，它可以表征時間序列的復(fù)雜程度。與其他非線性方法相比,近似熵對噪聲和干擾相對不敏感且可以被應(yīng)用到較短的時間序列中。然而近似熵在計(jì)算時會產(chǎn)生偏差,這些偏差會致使近似熵對細(xì)小的復(fù)雜性變化不敏感。因而有必要改良近似熵的算法，來消除這種偏差造成的影響。Richman 和 Moorman 等人對近似熵進(jìn)展了改良,提出了一種新的方法，稱為樣本熵6。樣本熵也是度量時間序列復(fù)雜度的方法之一，它顯示了系統(tǒng)中新信息生成

7、的速率。樣本熵的值越大,說明時間序列的自我相似度越低，系統(tǒng)產(chǎn)生新信息的速率越大，信號復(fù)雜度越高。反之那么說明時間序列的相似度高，信號趨向于較高的規(guī)律性。3腦電信號的傳統(tǒng)分析方法3.1時域分析法早期的腦電信號波形特征都是靠肉眼的觀察與分析來提取的，計(jì)算機(jī)的出現(xiàn)使得人們可以直接從時域中提取出有用的波形特征。因此，時域分析法是腦電信號分析中最早使用的方法。其優(yōu)點(diǎn)在于時域中包含了腦電的全部信息，并且對時域中波形的分析非常直觀，可以表達(dá)腦電信號在時域中較為突出的一些特征，比如癲癇的發(fā)作期識別就可以通過棘波的出現(xiàn)來判斷。相關(guān)分析、方差分析、直方圖分析、移動平均等分析方法都屬于時域分析的范疇。因此，時域分析

8、法可以使腦電信號在時域上獲得較高的分辨率。3.2頻域分析法在時域內(nèi)難以分析的信號，可以先將其從時域變換到頻域，再在頻域進(jìn)展分析。頻域分析法是將隨時間變化的幅度分析轉(zhuǎn)換為隨頻率變化的能量分析。以此來直接觀察腦電不同頻率下各個波(、波等)的節(jié)律分布與變化情況。有些在時域表現(xiàn)不明顯的特征,在頻域卻有著明顯的差異。信號的頻域分析法有傅里葉變換、功率譜估計(jì)、希爾伯特變換和離散余弦變換等。其中，功率譜是腦電信號在頻域分析中的主要方法。與時域分析法類似,頻域分析也可以使腦電信號在頻域獲得較高的分辨率。3.3時頻分析法時頻分析法的思想是將信號的時間與頻率結(jié)合起來進(jìn)展綜合的處理。常用的時頻分析法有短時傅里葉變換

9、、Wigner-Ville分布、Gabor變換等。腦電信號頻譜分析后的結(jié)果，不僅可以表達(dá)信號中的頻率局部，同時也可以呈現(xiàn)出頻率分量隨時間變化的規(guī)律。因此，相較于時域或頻域分析,時頻分析可以表達(dá)出更多腦電信號的特征，但頻域分析法并不是完全的解決了時域與頻域中所獲得腦電信息單一的問題,它的缺點(diǎn)是無法同時在時域與頻域均獲得高分辨率。短時傅里葉變換是腦電信號頻域分析法中的一個根本方法，它是通過窗函數(shù)將信號劃分成短序列來進(jìn)展分析的，因此更加適用于分析具有良好平穩(wěn)性的信號。而實(shí)際上，腦電信號卻是一種頻率隨時間變化的典型的非平穩(wěn)信號。3.4小波變換法小波變換法也是時頻分析中的一種方法。時頻分析法不能在時域和

10、頻域都獲得高分辨率，但在小波變換中，其可變的時頻分辨率正好解決了這一問題。相較于短時傅里葉變換，小波變換具有多分辨率特性7。因此更加適用于分析具有非平穩(wěn)特性的腦電信號。小波變換也存在一定的缺陷，一方面小波基函數(shù)確實(shí)定容易受研究人員自身經(jīng)歷與能力的影響，另一方面小波變換只是對信號的逼近分量進(jìn)展分解，卻沒有更深層次的分解細(xì)節(jié)成分。以上兩方面同時降低了腦電信號特征頻帶劃分的有效度,進(jìn)而會影響到特征提取的效果。3.5非線性動力學(xué)分析法大腦是一個典型的非線性系統(tǒng)8。利用前幾節(jié)所描述的線性分析方法來處理具有非線性特性的腦電信號，所提取的特征都不夠明顯。而非線性動力學(xué)分析所提供的正是一種對復(fù)雜的混純系統(tǒng)中所

11、包含特征動態(tài)變化的描述方法。通過功率譜摘、近似熵、李亞普諾夫指數(shù)、復(fù)雜度等非線性分析方法可以更加有效地提取腦電信號中的非線性特征。但是,非線性分析中相空間重構(gòu)參數(shù)(嵌入維數(shù)與延遲時間T)的設(shè)定會直接影響到腦電信號特征提取的效果，并且非線性分析的算法普遍復(fù)雜度較高,存在計(jì)算耗時較長,效率不高的問題。因此，非線性動力學(xué)分析方法并不是完全的適用于腦電弱信號的特征提取。總結(jié)腦電信號是一種能夠反映大腦內(nèi)部信息的生物電信號，大腦是人體組織器官中兼具構(gòu)造最復(fù)雜與功能最高超特性的物質(zhì)器官。因此，由大腦產(chǎn)生的腦電信號是非常復(fù)雜的，它具有幅度微弱、隨機(jī)性強(qiáng)、非平穩(wěn)性及非線性的特點(diǎn)。當(dāng)下，臨床醫(yī)學(xué)上對于腦疾病的診斷

12、與治療，已經(jīng)從肉眼的人工識別模式進(jìn)入了借助于計(jì)算機(jī)對腦電進(jìn)展信號處理與分析的研究模式。從腦電信號中提取到的各類特征，不僅是對大腦狀態(tài)的如實(shí)表述,也是對腦科疾病進(jìn)展診斷的重要參考依據(jù)。目前，對于腦電信號特征提取方法的研究都是以一維信號處理方法和非線性分析方法為主。而傳統(tǒng)的一維信號分析法對腦電信號的非平穩(wěn)與非線性特征并不適用。同時,非線性分析法又以其算法的復(fù)雜性影響著腦電特征提取的效率。參考文獻(xiàn)1 初孟,邱天爽,鮑海平等. 一種基于時頻分析的癲癇腦電棘波檢測方法J.中國生物醫(yī)學(xué)工程學(xué)報(bào),2006,25(6):678679.2 吳東宇, 董為偉. 非線性動力學(xué)分析在腦電圖中的應(yīng)用J. 臨床神經(jīng)電生理

13、學(xué)雜志,2003, 12(1): 4651.3 übeyli E. Automatic detection of electroencephalographic changes using adaptive neuro-fuzzy inference system employing Lyapunov exponents. Expert Syst Appl 2021,36:90318.4 Eckmann J,Ruelle D. Fundamental limitations for estimating dimensions and Lyapunov exponents in dyn

14、amical systems. Physica D 1992,56:185187.5 Pincus S. Approximate entropy as a measure of system complexity. Proc Natl Acad Sci USA 1991,88(6):297301.6Richman J,Moorman J. Physiological time series analysis using approximate entropy and sample entropy. Am J Physiol 2000,278(6):203949.7季忠,秦樹人.微弱生物醫(yī)學(xué)信號特征提取的原理與實(shí)現(xiàn)M.北京:科學(xué)出