張 瑞,宋江玲,胡文鳳

(西北大學(xué) 醫(yī)學(xué)大數(shù)據(jù)研究中心，陜西 西安 710127)

?

【數(shù)理科學(xué)·腦電數(shù)據(jù)分析專題研究】

癲癇腦電的特征提取方法綜述

張 瑞,宋江玲,胡文鳳

(西北大學(xué) 醫(yī)學(xué)大數(shù)據(jù)研究中心，陜西 西安 710127)

癲癇是一種常見的以反復(fù)癲癇性發(fā)作為特征的慢性神經(jīng)系統(tǒng)疾病。癲癇性發(fā)作的自動(dòng)檢測是通過機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等方法對(duì)癲癇發(fā)作腦電自動(dòng)識(shí)別的一種技術(shù)。如何設(shè)計(jì)合適的腦電特征提取方法是有效完成癲癇性發(fā)作自動(dòng)檢測的關(guān)鍵所在。文中系統(tǒng)總結(jié)了用于癲癇性發(fā)作自動(dòng)檢測的腦電特征提取方法,分別從時(shí)域分析、頻域分析、時(shí)頻分析、非線性動(dòng)力學(xué)、圖論、癲癇計(jì)算模型6個(gè)方面將已有的癲癇腦電特征提取方法進(jìn)行歸類,并對(duì)每類方法的基本原理和設(shè)計(jì)思想進(jìn)行了系統(tǒng)的闡述。

癲癇;癲癇性發(fā)作;腦電;自動(dòng)檢測;特征提取

癲癇是一種以突然、短暫、反復(fù)的癲癇性發(fā)作為特征的慢性神經(jīng)系統(tǒng)疾病或綜合征。癲癇性發(fā)作則是大腦內(nèi)神經(jīng)細(xì)胞群陣發(fā)性異常超同步電活動(dòng)的臨床表現(xiàn)。由于這種異常電活動(dòng)的起始部位及傳播方式不同, 導(dǎo)致癲癇臨床表現(xiàn)復(fù)雜多樣, 包括短暫的感覺障礙、肢體抽搐、意識(shí)喪失、行為障礙等。反復(fù)、突然的癲癇性發(fā)作十分危險(xiǎn), 嚴(yán)重威脅著人們的日常生活乃至生命, 且患者過早死亡的可能性是正常人的兩到三倍[1]。因此, 關(guān)于癲癇有效診斷和治療的研究具有非常重要的臨床意義和社會(huì)意義。

腦電圖 (electroencephalogram,EEG) 是大腦神經(jīng)細(xì)胞群電生理活動(dòng)的記錄, 包含大量的生理及病理信息。它不僅是研究腦科學(xué)的重要工具, 而且是協(xié)助醫(yī)師對(duì)神經(jīng)系統(tǒng)疾病 (如癲癇、阿爾茲海默癥、精神分裂癥等) 進(jìn)行診斷和治療的主要方法之一。特別是對(duì)于癲癇, 腦電圖更是其他方法所不能取代的檢測手段之一。 EEG用于研究癲癇已有70多年的歷史, 包括對(duì)癲癇性發(fā)作的檢測、預(yù)測, 以及癲癇病灶的定位等。其中, 癲癇性發(fā)作的準(zhǔn)確檢測是進(jìn)一步進(jìn)行發(fā)作預(yù)測以及病灶定位的關(guān)鍵。

傳統(tǒng)的癲癇性發(fā)作檢測主要是依靠有經(jīng)驗(yàn)的醫(yī)生詢問患者的臨床病史,進(jìn)而從視覺上檢查EEG中是否存在癲癇性腦波來完成的。由于癲癇的發(fā)作時(shí)間具有不確定性, 因此往往需要對(duì)病人的腦電波進(jìn)行長期監(jiān)測, 這樣就會(huì)產(chǎn)生海量的腦電數(shù)據(jù), 從而使得傳統(tǒng)的視覺檢測方法變得十分耗時(shí); 此外, 該方法又嚴(yán)重依賴于醫(yī)生的個(gè)人經(jīng)驗(yàn), 因而主觀性很強(qiáng)。為了克服上述局限性, 近年來關(guān)于癲癇性發(fā)作的自動(dòng)檢測成為一個(gè)研究熱點(diǎn)問題。

癲癇性發(fā)作的自動(dòng)檢測主要是通過機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等方法, 并借助計(jì)算機(jī)技術(shù)完成對(duì)EEG中有效信息的挖掘與提取, 以實(shí)現(xiàn)對(duì)癲癇發(fā)作腦電自動(dòng)識(shí)別的一種技術(shù)。利用EEG進(jìn)行癲癇性發(fā)作的自動(dòng)檢測, 其本質(zhì)可歸結(jié)為一個(gè)模式識(shí)別問題。具體流程如圖1所示。

圖1 癲癇性發(fā)作自動(dòng)檢測流程圖Fig.1 Flow chart of automated seizure detection

在上述實(shí)現(xiàn)過程中,如何設(shè)計(jì)有效的、能夠用于區(qū)分癲癇發(fā)作與未發(fā)作腦電的特征提取方法可認(rèn)為是完成最終目標(biāo)的關(guān)鍵所在?；诖?本文將從基于時(shí)域分析、頻域分析、時(shí)頻分析、非線性動(dòng)力學(xué)、圖論以及基于模型等6個(gè)方面對(duì)癲癇性發(fā)作自動(dòng)檢測中的腦電特征提取方法進(jìn)行綜述。

1 癲癇腦電的特征提取方法

1.1 基于時(shí)域的特征提取方法

早期關(guān)于癲癇腦電的特征提取基本都是源于對(duì)EEG中最基本的特征屬性進(jìn)行刻畫。具體地,把EEG看作是一個(gè)時(shí)間序列同時(shí)計(jì)算該序列的相關(guān)統(tǒng)計(jì)量,并基于此定義對(duì)應(yīng)的癲癇腦電特征。

1)基于序列的波形特征分析:Gotman于1982年提出了最早的最具代表性的基于腦電信號(hào)棘波-尖波的癲癇性發(fā)作自動(dòng)檢測方法[2]。在該方法中,首先將EEG分解為半波, 進(jìn)而計(jì)算其波峰幅度、平均時(shí)長、 斜率、 變異系數(shù)等特征, 并與提前定義的閾值進(jìn)行比較,從而完成對(duì)發(fā)作腦電的自動(dòng)檢測。

2)基于序列的互相關(guān)性分析:相關(guān)性分析是研究兩隨機(jī)變量間相關(guān)關(guān)系的統(tǒng)計(jì)方法,其中最常用的度量指標(biāo)為互相關(guān)函數(shù)。在文獻(xiàn)[3]中, Chandaka等人通過互相關(guān)函數(shù)計(jì)算參考EEG信號(hào)(通常為發(fā)作間歇期腦電)與當(dāng)前EEG信號(hào)間的一族互相關(guān)系數(shù)值, 構(gòu)成互相關(guān)序列, 進(jìn)而從互相關(guān)圖中提取圖心(centroid)、等效寬度(equivalent width)、均方坐標(biāo)(mean square abscissa)等指標(biāo), 構(gòu)建基于互相關(guān)序列的腦電特征提取方法。

e(n) =s(n)-s′(n)=

1.2 基于頻域的特征提取方法

基于頻域特征提取方法的主要思想是通過刻畫信號(hào)在頻域上的能量變化以提取相應(yīng)的腦電特征。其中最常用的能量特征為功率譜(power spectral density,PSD), 它表示了信號(hào)功率隨著頻率的變化情況(即信號(hào)功率在頻域的分布狀況)。 由于癲癇發(fā)作時(shí), 腦電信號(hào)的功率或能量相比未發(fā)作時(shí)會(huì)明顯增大, 因此將腦電信號(hào)的功率譜作為特征能有效區(qū)分發(fā)作與未發(fā)作腦電。 圖2中顯示的是對(duì)應(yīng)正常、發(fā)作與未發(fā)作腦電的功率譜,可以看出它們具有明顯的差異性。

其中M為第p個(gè)數(shù)據(jù)上總的樣本點(diǎn)個(gè)數(shù),K為總的數(shù)據(jù)段個(gè)數(shù)[6]。 將計(jì)算出的功率譜值直接作為腦電特征,并結(jié)合分類器共同完成癲癇性發(fā)作的自動(dòng)檢測[7]。

2)基于參數(shù)方法的譜特征提取:包含基于AR，MA模型的參數(shù)方法, 特征向量法(eigenvector (EV))及多信號(hào)分類(multiple signal classification (MUSIC)等。 其中AR是一種最常用的基于模型的譜估計(jì)方法。假設(shè)樣本來自于一個(gè)p階的AR模型, 即

其中w(n)方差為σ2的白噪聲。此時(shí),功率譜密度定義為

顯然,只要估計(jì)出AR模型的參數(shù)a(k),即可求得相應(yīng)功率譜密度的估計(jì)。 而AR參數(shù)的估計(jì)主要有Burg方法和Yuler-Walker方法。 可以將通過非參方法計(jì)算出的功率譜直接作為腦電特征，并結(jié)合分類器共同完成癲癇性發(fā)作的自動(dòng)檢測[8]。

圖2 正常、發(fā)作與未發(fā)作腦電的功率譜Fig.2 Power spectrum to normal, inter-ictal and ictal EEGs

3)基于譜值的癲癇腦電特征提取:除了上述工作中直接把計(jì)算出來的譜值作為癲癇腦電特征之外,在功率譜的基礎(chǔ)上進(jìn)一步處理以提取更有效的癲癇腦電特征,也是一個(gè)研究方向。Naghsh-Nilchi等人首先將腦電信號(hào)分解為不同頻率子帶(δ, θ,α,β,γ), 其次以EV和MUSIC方法得到每一子帶的功率譜, 并從每個(gè)子帶的功率譜中提取相應(yīng)的均值、標(biāo)準(zhǔn)差、 熵 (entropy)、移動(dòng)性(mobility)等參數(shù), 最終將所有子帶的參數(shù)進(jìn)行整合作為最終分類癲癇腦電的特征集合[9]。

1.3 基于時(shí)頻分析的特征提取方法

上述基于時(shí)域或頻域的癲癇腦電特征提取方法,僅能反映腦電信號(hào)單一方面的特性,且常常需要假定信號(hào)是平穩(wěn)或近似平穩(wěn)的,這一假設(shè)顯然與腦電信號(hào)的非平穩(wěn)本質(zhì)不符。為了克服這一局限性,許多研究者開始展開基于時(shí)頻分析的癲癇腦電特征提取方法研究。

從時(shí)頻分析角度分析EEG, 其主要觀點(diǎn)是通過短時(shí)傅里葉變換(short-time wavelet transform,STFT)[10]、小波變換(wavelet transform,WT)[11-13]、 Hilbert-Huang變換[14-16]、經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)[17-18]等常用的非平穩(wěn)信號(hào)分析方法對(duì)EEG信號(hào)進(jìn)行重新表示, 并在此基礎(chǔ)上進(jìn)一步提取相應(yīng)的特征。

1)基于WT的癲癇腦電特征提取: 小波變換是一種用于非平穩(wěn)信號(hào)的時(shí)間-尺度分析手段, 在時(shí)域、頻域都具有表征信號(hào)局部特征的能力[19]。 2006年,Jahankhani等人利用離散小波變換 (discrete wavelet transform, DWT)將EEG分解為不同的頻率子帶信號(hào), 進(jìn)而計(jì)算小波系數(shù)的最大值、最小值、均值、方差, 并將其作為腦電特征[20]。 Guo等人以子帶信號(hào)的線長特征 (line length feature)作為所提取的癲癇腦電特征, 并結(jié)合神經(jīng)網(wǎng)絡(luò)完成癲癇性發(fā)作的自動(dòng)檢測[14]。 除線長特征外,Ocak等人從DWT分解后的子帶信號(hào)中提取近似熵以完成癲癇性發(fā)作的自動(dòng)檢測[21]。離散小波包變換(wavelet package transform, WPT)作為WT的擴(kuò)展, 也被用于腦電特征的提取。 Acharya等人通過WPT將EEG分解為子帶信號(hào)后,將子帶信號(hào)的高階累積量作為腦電特征完成發(fā)作檢測[22]。

2)基于EMD的癲癇腦電特征提取: EMD是Huang 于1998年提出的一種用于分析非平穩(wěn)信號(hào)的方法[23], 它能夠自適應(yīng)地將信號(hào)分解為有限個(gè)數(shù)的本征模函數(shù)(intrinsic mode function,IMF)。 Li等人從EMD分解后的各IMF中提取方差、波動(dòng)指標(biāo)等特征[17],提出了一種新的癲癇腦電特征提取方法。 Pachori等人則將IMF二階差分圖的95%置信橢圓面積作為腦電特征, 以實(shí)現(xiàn)癲癇性發(fā)作的自動(dòng)檢測[18]。

1.4 基于非線性分析的特征提取方法

基于人們對(duì)腦科學(xué)研究的不斷探索, 大量研究表明，大腦可以看作是一個(gè)非線性動(dòng)力系統(tǒng)。 在這一背景下, 通過刻畫非線性動(dòng)力學(xué)特征以挖掘癲癇發(fā)作腦電與未發(fā)作腦電的差異性就成為近年來的研究熱點(diǎn)問題。

1)基于系統(tǒng)的復(fù)雜性分析:神經(jīng)科學(xué)研究表明,相比于正常腦電,癲癇發(fā)作時(shí)大腦的電活動(dòng)變得相對(duì)簡單,從而腦電信號(hào)的復(fù)雜性降低?；谶@一理論,大量關(guān)于刻畫非線性系統(tǒng)復(fù)雜性(或無規(guī)律性)的特征提取方法被廣泛提出,其中最常見的一類即為基于熵的特征提取方法。20世紀(jì)90年代初,Pincus從衡量時(shí)間序列復(fù)雜性角度提出并發(fā)展了近似熵 (approximation entropy, ApEn) 的概念,并成功將它應(yīng)用于生理性的時(shí)間序列分析,如心率信號(hào)、血壓信號(hào)等[24]。直觀地說,近似熵能夠表示新信息的產(chǎn)生率,即近似熵越大,序列中新信息的產(chǎn)生率越大, 從而表明序列的復(fù)雜性越高。 然而,在原始近似熵的計(jì)算中不僅存在著自相似的比較,而且整個(gè)計(jì)算過程是一個(gè)極限過程,其值與數(shù)據(jù)長度有關(guān)。 這些因素都會(huì)導(dǎo)致近似熵值的偏差性?；诖? Richman和Moornan提出了一種新的度量時(shí)間序列復(fù)雜度的指標(biāo),即樣本熵[25]。 Yuedong Song 等人分別以近似熵、樣本熵作為腦電信號(hào)特征用于癲癇性發(fā)作的自動(dòng)檢測[26]。 排列熵是近期提出的一種新的度量時(shí)間序列復(fù)雜性的指標(biāo),它將信號(hào)映射到符號(hào)序列上后,通過對(duì)不同符號(hào)相對(duì)發(fā)生率的衡量來度量信號(hào)的復(fù)雜性。 Nicolao等人以排列熵為特征進(jìn)行癲癇EEG的自動(dòng)識(shí)別[27]。 類似地, 小波熵、譜熵、模糊近似熵等也作為腦電特征應(yīng)用于癲癇性發(fā)作檢測[28]。 除此之外關(guān)聯(lián)和[29]、 線長特征[14]、 分形截距[30]等作為系統(tǒng)復(fù)雜性的度量也是癲癇性發(fā)作自動(dòng)檢測中常用的特征提取方法。

2)基于系統(tǒng)的反持久性分析:針對(duì)于癲癇未發(fā)作期腦電信號(hào)的反持久性低于發(fā)作期這一認(rèn)知,大量對(duì)信號(hào)持久性刻畫的腦電特征被提出。Hurst指數(shù)[31]是對(duì)序列隨機(jī)性或長程相關(guān)性(持久性)的一種刻畫指標(biāo)。 它能揭示時(shí)間序列中的趨勢(shì)性,并且通過值的大小反映時(shí)間序列持久性或反持久性的強(qiáng)弱,即值越接近1,持續(xù)性越強(qiáng):越接近0,反持續(xù)性越強(qiáng)。 去趨勢(shì)波動(dòng)指標(biāo)[32]是通過對(duì)序列的局部趨勢(shì)進(jìn)行線性擬合, 并計(jì)算信號(hào)與局部趨勢(shì)間的均方誤差, 然后基于均方誤差構(gòu)造出的能夠反映時(shí)間序列長程相關(guān)性的另一種度量。 Qi Yuan 等人采用Hurst 指數(shù)及去趨勢(shì)標(biāo)度指數(shù)作為EEG特征進(jìn)行癲癇性發(fā)作的自動(dòng)檢測[33]。

3)基于系統(tǒng)的同步性分析:由于癲癇性發(fā)作的本質(zhì)是由神經(jīng)細(xì)胞群超同步放電產(chǎn)生,因此在發(fā)作過程中系統(tǒng)的同步性必然高于未發(fā)作時(shí)期,因此基于系統(tǒng)同步性的度量可用于癲癇EEG的檢測。 Mormann等人以腦電的相位同步性為特征, 檢測顳葉癲癇病人的癲癇發(fā)作情況[34]; Altenburg用同步似然性作為EEG 通道間同步性的度量, 來辨別嬰兒EEG 中的癲癇發(fā)作與未發(fā)作腦電[35]。 同步性也常被用于癲癇性發(fā)作的預(yù)測, Mirowskil等人以4種同步性度量(最大互相關(guān)指數(shù), 非線性相互依賴性, 短期Lyapunov 指數(shù)的差異性, 基于小波的同步性度量)作為EEG特征來預(yù)測癲癇性發(fā)作[36]。

4)基于系統(tǒng)的非高斯性分析:由于癲癇發(fā)作時(shí),腦電信號(hào)的高斯性明顯強(qiáng)于未發(fā)作狀態(tài)，因此，通過刻畫系統(tǒng)的高斯性(或非高斯性)也構(gòu)成了一種特性提取方法。高階譜(high order spectra, HOS)是高階統(tǒng)計(jì)量(三階及三階以上的矩或累積量)的譜表示, 它能夠用于度量信號(hào)的非高斯性,并且能夠從混合的非高斯性信號(hào)(各信號(hào)是獨(dú)立的)和高斯噪聲中分離出非高斯信號(hào)[37-38]。 實(shí)際應(yīng)用中常用的是三階矩的譜特征,即所謂的雙階譜。 雙階譜在二維頻率圖上給出了頻率成分間的互相關(guān)性,它是關(guān)于兩個(gè)頻率變量的函數(shù),很多有用的參數(shù)能夠從雙階譜中提取出來。 Chua等人將從雙階譜中得到3個(gè)特征(平均譜幅、雙階譜熵、雙階譜平方熵)用于癲癇性發(fā)作前期、發(fā)作期以及正常腦電的檢測[39]。 高階累積量作為高階統(tǒng)計(jì)量的非線性組合, 也常用于分析EEG信號(hào)或癲癇腦電的檢測[39]。

1.5 基于圖論的特征提取方法

從圖論角度分析EEG, 關(guān)鍵在于將EEG首先表示為合適的圖, 如星型圖、局部二值模式、水平可視圖等, 進(jìn)而從圖像處理的角度提取能夠判別癲癇EEG的特征。

1)基于星型圖拓?fù)渲笜?biāo)的癲癇腦電特征提取:在星型拓?fù)浣Y(jié)構(gòu)中,各節(jié)點(diǎn)通過點(diǎn)到點(diǎn)的方式連接到一個(gè)中央節(jié)點(diǎn)上,其中任何兩個(gè)節(jié)點(diǎn)要進(jìn)行通信都必須經(jīng)過中央節(jié)點(diǎn)。利用星型圖分析腦電信號(hào)分為3個(gè)步驟:i) 根據(jù)腦電信號(hào)的幅度, 采用S2SNet濾波器將信號(hào)轉(zhuǎn)化為字符串或序列; ii)將得到的字符序列轉(zhuǎn)化為嵌入(embedded SG)和非嵌入的星型圖 (non-embedded SG),如圖3所示; iii) 計(jì)算相應(yīng)的星型圖拓?fù)渲笜?biāo)(如連通矩陣的跡、Wiener指標(biāo)、Harary數(shù)等)。 Blanco等人利用星型圖拓?fù)渲笜?biāo)及線性判別分析完成了癲癇性發(fā)作腦電的自動(dòng)檢測[40]。

2)基于局部二值模式的癲癇腦電特征提取:局部二值模式(local binary pattern, LBP)是一種紋理度量算子。 由于其原理相對(duì)簡單、計(jì)算復(fù)雜度低、且具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn), 因而在紋理分類、人臉識(shí)別、圖像恢復(fù)等領(lǐng)域LBP方法都得到了廣泛應(yīng)用。 在一個(gè)圖像中,LBP用于提取以某一像素為中心的領(lǐng)域內(nèi)的像素強(qiáng)度變化情況, 并以簡單的形式表示出來, 這使得其十分適用于非平穩(wěn)信號(hào)的局部特性分析。 Kumar等人以癲癇發(fā)作與未發(fā)作腦電信號(hào)的一維LBP值作為腦電特征, 完成了癲癇性發(fā)作的自動(dòng)檢測[41]。

3)基于加權(quán)水平可視圖的癲癇腦電特征提取:水平可視圖(horizontal visibility graph, HVG)作為可視圖的子圖由Luque等人提出[42],是復(fù)雜網(wǎng)絡(luò)的一種形式。 它將時(shí)間序列{xi}(i=1,2,…,n)轉(zhuǎn)化為一個(gè)圖G(V,E), 其中xi對(duì)應(yīng)于圖中的節(jié)點(diǎn)vi∈V, 而兩點(diǎn)xi與xj間的關(guān)系對(duì)應(yīng)于圖中的一個(gè)邊eij∈E。 由于節(jié)點(diǎn)自由度(即與某一節(jié)點(diǎn)相連的邊的個(gè)數(shù))難以區(qū)分具有單調(diào)性的時(shí)間序列及恒常數(shù)的時(shí)間序列[43], 而在EEG中包括棘波在內(nèi)的大量波形都含有單調(diào)上升或下降的部分, 因此為了更好地檢測癲癇發(fā)作時(shí)腦電中的棘波, Zhu等人提出了快速加權(quán)水平可視圖(weighted horizontal visibility graph,WHVG)的方法, 并從得到的WHVG中提取出兩個(gè)特征(平均自由度與平均強(qiáng)度)來區(qū)分發(fā)作腦電與正常腦電[43]。

圖3 腦電片段的嵌入和非嵌入星型圖Fig.3 Embedded and Non-embedded star graph of EEG segments

1.6 基于模型的特征提取方法

上述特征提取方法主要是從信號(hào)處理角度出發(fā)分析EEG。 然而,對(duì)于本身極其復(fù)雜的腦電信號(hào)而言, 已有的特征提取方法只能局限、片面地反映腦電的某一變化情況。 為了解大腦內(nèi)在的生理變化過程與EEG間的關(guān)系, 進(jìn)而從大腦的內(nèi)在放電過程出發(fā)分析EEG, 顯然有助于更全面、更本質(zhì)地刻畫大腦的放電過程。 從這一目標(biāo)出發(fā),大量學(xué)者提出了基于計(jì)算模型的腦電信號(hào)特征提取方法。 這一研究方向?qū)儆谏窠?jīng)計(jì)算科學(xué)的范疇, 包含微觀(主要考慮單個(gè)神經(jīng)元的放電行為)和宏觀(主要考慮由神經(jīng)細(xì)胞經(jīng)相互作用而構(gòu)成群體的放電行為)兩個(gè)層面。

神經(jīng)生理學(xué)假定電極處檢測到的大腦局部場電位是由大腦內(nèi)部不同神經(jīng)集群相互作用(主要是突觸間的相互作用)而產(chǎn)生,當(dāng)這種相互作用發(fā)生異常時(shí),大腦內(nèi)的放電也會(huì)發(fā)生異常。 在癲癇性發(fā)作的自動(dòng)檢測中,基于模型的特征提取方法,主要是通過對(duì)大腦神經(jīng)集群間的相互作用進(jìn)行建模,如Jasen模型、頭皮丘腦模型等[44-47]。 通過分析模型中的生物物理參數(shù),并根據(jù)參數(shù)的變化情況來發(fā)現(xiàn)大腦活動(dòng)的異常。 Aarabi等人在Jasen模型的基礎(chǔ)上進(jìn)行擴(kuò)展, 得到如圖4所示的神經(jīng)質(zhì)量模型, 模型對(duì)應(yīng)一組二階常微分方程, 進(jìn)而通過頻域貝葉斯反演的方法估計(jì)微分方程中的參數(shù),基于模型參數(shù)構(gòu)造了用于癲癇性發(fā)作自動(dòng)檢測的特征[44]。

除了從上述角度出發(fā),提取用于癲癇性發(fā)作的腦電特征之外,還有大量基于其他分析角度的癲癇腦電特征提取方法。 如Saab等人提出的用于臨床或在線的癲癇發(fā)作檢測系統(tǒng),即通過Bayesian公式計(jì)算先驗(yàn)概率來判斷癲癇發(fā)作與否[48]。 Rangaprakash等人基于遞歸量化分析(recurrence quantification analysis,RQA)與相位同步度量來研究大腦的連通性,通過大腦連通性的變化來檢測癲癇的發(fā)作[49]。 Shasha Yuan等人將熱力學(xué)中的擴(kuò)散距離作為特征從腦電信號(hào)中提取出來, 進(jìn)而結(jié)合貝葉斯線性判別分析完成癲癇性發(fā)作的自動(dòng)檢測[50]。

2 總 結(jié)

癲癇性發(fā)作的自動(dòng)檢測主要通過機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等方法, 并借助計(jì)算機(jī)技術(shù)完成對(duì)EEG中有效信息的挖掘與提取, 以實(shí)現(xiàn)對(duì)癲癇發(fā)作腦電自動(dòng)識(shí)別的一種技術(shù)。 如何設(shè)計(jì)有效的、能夠用于區(qū)分癲癇發(fā)作與未發(fā)作腦電的特征提取方法是完成癲癇性發(fā)作自動(dòng)檢測的關(guān)鍵所在。 基于此,本文從時(shí)域分析、頻域分析、時(shí)頻分析、非線性動(dòng)力學(xué)、圖論以及計(jì)算模型等6個(gè)方面對(duì)已有的用于癲癇性發(fā)作自動(dòng)檢測的腦電特征提取方法進(jìn)行綜述,對(duì)每類方法的基本原理于設(shè)計(jì)思想步驟進(jìn)行了系統(tǒng)闡述。

[1] ACHARYA U R, SREE S V, SWAPNA G, et al. Automated EEG analysis of epilepsy[J] .A Review, Knowledge-Based Systems, 2013,45:147-165.

[2] GOTMAN J. Automatic recognition of epileptic seizures in the EEG, Electroencephalogr[J] .Clin Neurophysiol, 1982,54:530-540.

[3] CHANDAKA S, CHATTERJEE A, MUNSHI S. Cross-correlation aided support vector machine classifier for classification of eeg signals[J] .Expert Systems with Applications, 2009,36:1329-1336.

[4] ALTUNAY S, TELATAR Z, EROGUL O. Epileptic eeg detection using the linear prediction error energy[J] .Expert Systems with Applications, 2010,37:5661-5665.

[5] JOSHI V, PACHORIA R B, VIJESH A. Classification of ictal and seizure-free EEG signals using fractional linear prediction[J] .Biomedical Signal Processing and Control, 2014,9:1-5.

[6] ALKAN A, KOKLUKAYA E, SUBASI A. Automated seizure detection in eeg using logistic regression and artificial neural network[J] .Journal of Neuroscience Methods, 2005,148:167-176.

[7] POLAT K, GUNES S.Classification of epileptiform EEG using a hybrid systemsbased on decision tree classifier and fast Fourier transform[J] .Appl Math Comput,2007,187(2):1017-1026.

[8] SUBASI A, ERCELEBI E, ALKAN A, et al. Comparison of subspace-based methods with parametric methods in epileptic seizure detection[J] .Computers in Biology and Medicine, 2006,36:195-208.

[9] NAGHSH-NILCHI A R, AGHASHAHI M. Epilepsy seizure detection using eigen-system spectral estimation and multiple layer perceptron neural network[J] .Biomedical Signal Processing and Control, 2010,5:147-157.

[10] KIYMIK M K,GULER I, DIZIBUYUK A, et al. Comparison of STFT and wavelet transform methods in determining epileptic seizure activity in EEG signals for real-time application[J] .Computers in Biology and Medicine,2005,35:603-616.

[11] JAHANKHANI P, KODOGIANNIS V, REVETT K. EEG signal classification using wavelet feature extraction and neural networks[M] .in: IEEE International Symposium on Modern Computing John Vincent Atanasoff, 2006:120-124.

[12] SADATI N, MOHSENI H R, MAGSHOUDI A. Epileptic seizure detection using neural fuzzy networks[M] .in: Proceedings of the IEEE International Conference on Fuzzy Systems, 2006:596-600.

[13] SUBASI A.EEG Signal classification using wavelet feature extraction and a mixture of expert model[J] .Expert Syst Appl,2007,32 (4):1084-1093.

[14] GUO L, RIVERO D, DORADO J, et al. Automatic epileptic seizure detection in EEGs based on line length feature and artificial neural network[J] .Journal of Neuroscience Methods, 2010,191:101-109.

[15] KUMAR Y, DEWAL M L, ANAND R S. Epileptic seizure detection using dwt based fuzzy approximate entropy and support vector machine[J] .Neurocomputing, 2014,133:271-279.

[16] ORHAN U, HEKIM M, OZER M. EEG signals classification using the k-means clustering and a multilayer perceptron neural network model[J] .Expert Systems with Applications, 2011,38:13475-13481.

[17] LI S, ZHOU W, YUAN Q, et al. Feature extraction and recognition of ictal eeg using EMD and SVM[J] .Computers in Biology and Medicine, 2013,43:807-816.

[18] PACHORI R B, PATIDAR S.Epileptic seizure classification in EEG signals using second-order difference plot of intrinsic mode functions[J] .Computer Methods and Programs in Biomedicine,2014，113(2)：494-502.

[19] MALLAT S. A theory for multiresolution signal decomposition: the wavelet representation[J] .IEEE Trans Pattern Anal March Intell, 1989,11(7):674-693.

[20] JAHANKHANI P, KODOGIANNIS V, REVETT K.EEGsignal classification using wavelet feature extraction and neural networks[M] . In: IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing (JVA’06); 2006:52-57.

[21] OCAK H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy[J] .Expert Syst Appl,2009,36 (2):2027-2036.

[22] ACHARYA U R, VINITHA S, SREE J , et al.Automatic detection of epileptic EEG signals using higher order cumulant features[J] .Int J Neural Syst,2011,21 (5):1-12.

[23] FLANDRIN P, RILLING G, GONCALVES P. Empirical Mode Decomposition as a Filterbank[J] .IEEE Signal Processing Letters, 2003,2:112-114.

[24] PINCUS S M,GLADSTONE I M,EHRENKRANZ R A. A regular statistic for medical data analysis[J] .Journal of Clinical Monitoring. 1991,4:335-345.

[25] RICHMAN J S, MORMAN J R. Physiological time-series analysis using approximate entropy and sample entropy[J] .American Journal of Physiology: Heart and Circulatory Physiology,2000,6:2039-2049.

[26] SONG Y, CROWCROFT J, ZHANG J. Automated epileptic seizure detection in EEGs based on optimized sample entropy and extreme learning machine[J] .Journal of Neuroscience Methods, 2012,210:132-146.

[27] NICOLAOU N, GEORGIOU J. Detection of epileptic electroencephalogram based on permutation entropy and support vector machines[J] .Expert Systems with Applications, 2012,39:202-209.

[28] KUMAR S P, SRIRAAM N, BENAKOP P, et al.Entropies based detection of epileptic seizures with artificial neural network classifiers[J] .Expert Systems with Applications, 2010,37: 2010, 3284-3291.

[29] TITO M, CABRERIZO M, AYALA M, et al. Classification of electroencep-halographic seizure recordings into ictal and inter-ictal files using correlation sum[J].Computers in Biology and Medicine, 2009,39:604-614.

[30] YUAN Q, ZHOU W D,LIU Y X , et al.Epileptic seizure detection with linear and nonlinear features[J] .Epilepsy & Behavior,2012,24:415-421.

[31] HURST H E. Long-term storage capacity of reservoirs[J] .Transactions of the American Society Civil Engineers, 1951,116:770-779.

[32] PENG C K, BULDYREV S V, HARLIN S. Mosaic organization of DNA nucleotides[J] .Phys Rev E,1994,2:1685-1689.

[33] YUAN Q, ZHOU W, LI S, et al. Epileptic eeg classification based on extreme learning machine and nonlinear features[J] .Epilepsy Research, 2011,96:29-38.

[34] MORMANN F, LEHNERTZ K, DAVID P, et al. Mean phase coherence as a measure for phase synchronization and its application to the EEG of epilepsy patients[J] .Physica D, 2000,144:358.

[35] ALTENBURG J, VERMEULEN R J, ROB L M, et al. Seizure detection in the neonatal EEG with synchronization likelihood[J] .Clinical Neurophysiology,2003,114:50-55.

[36] MIROWSKI P, MADHAVAN D, LECUN Y, et al. Classification of Patterns of EEG Synchronization for Seizure Prediction[J] .Clinical Neurophysiology,2009,120:1927-1940.

[37] ACHARYA U R, SREE S V, SURI J S. Automatic detection of epileptic EEG signals using higher order cumulant features[J] .Int J Neural Syst，2011,5:1-12.[38] YAO D. Electroencephalography inverse problem by subspace decomposition of the fourth-order cumulant matrix[J] .J Biomed Eng，2000,2:174-178.

[39] CHUA K C, CHANDRAN V, ACHARYA U R, et al. Application of higher order spectra to identify epileptic EEG[J] .J Med Syst, 2011, 6:1563-1571.

[40] FERNANDEZ-BLANCO E, RIVERO D, RABUNAL J, et al. Automatic seizure detection based on star graph topological indices[J] .Journal of Neuroscience Methods, 2012,209:410-419.

[41] KUMAR T S, KANHANGAD V, PACHORI R. B. Classification of seizure and seizure-free EEG signals using local binary patterns[J] .Biomedical Signal Processing and Control, 2015,15:33C40.

[42] LUQUE B, LACASA L, BALLESTEROS F.Horizontal visibility graphs: exact results for random time series[J] .Phys Rev E, 2009，17:80.

[43] ZHU G, LI Y, WEN P P.Epileptic seizure detection in EEGs signals using a fast weighted horizontal visibility algorithm[M] .Computers in Biology and Medicine, 2014:64-75.

[44] AARABI A, HE B. Seizure prediction in hippocampal and neocortical epilepsy using model-based approach[J] .Clinical Neurophysiology, 2014,125:930-940.

[45] WENDLING F, BENQUET P, BARTOLOMEI F, et al. Computational models of epileptiform activity[J] .Journal of Neuroscience Methods, 2016,260:233-251.

[46] AARABI A, HE B. A rule-based seizure prediction method for focal neocortical epilepsy[J] .Clinical Neurophysiology, 2012,123:1111-1122.

[47] HOCEPIED G, LEGROS B, VANBOGERT P, et al. Early detection of epileptic seizures based on parameter identification of neural mass model[J] .Computers in Biology and Medicine, 2013,43:1773-1782.

[48] SAAB M, GOTMAN J. A system to detect the onset of epileptic seizures in scalp EEG[J] .Clinical Neurophysiology, 2005,116:427-442.

[49] RANGAPRAKASH D. Connectivity analysis of multichannel EEG signals using recurrence based phase synchronization technique[J] .Computers in Biology and Medicine, 2014,46:11-21.

[50] YUAN S S, ZHOU W D, YUAN Q, et al. Automatic seizure detection using diffusion distance and BLDA in intracranial EEG[J] .Epilepsy & Behavior, 2014,31:339-345.

(編 輯 亢小玉)

A review of feature extraction method for epileptic EEGs

ZHANG Rui, SONG Jiangling, HU Wenfeng

(Medical Big Data Research Center, Northwest University, Xi′an 710127， China)

Epilepsy is a serious brain disorder characterized by recurrent and transient epileptic seizures. Automated epileptic seizure detection is the technique for recognizing epileptic EEGs automatically through the machine learning and data mining methods. How to design an appropriate feature extraction method plays a key role in realizing the seizure detection successfully. This paper systemically summarizes the fundamental theories and designing procedures of existing EEG feature extraction methods from the perspective of time-domain analysis, frequency-domain analysis, time-frequency analysis, non-linear dynamics, graph-domain analysis and computational models.

epilepsy; epileptic seizure; electroencephalogram (EEG); automated seizure detection; feature extraction

2016-04-03

國家自然科學(xué)基金資助項(xiàng)目(61473223)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃基金資助項(xiàng)目(2014JM1016)

張瑞，女，陜西西安人，西北大學(xué)教授，博士生導(dǎo)師，從事機(jī)器學(xué)習(xí)理論與算法、腦電心電數(shù)據(jù)分析等研究。

O29

A

10.16152/j.cnki.xdxbzr.2016-06-001

【主持人語】 大數(shù)據(jù)時(shí)代的到來，意味著傳統(tǒng)的思維方式和解決問題的方法將發(fā)生巨大改變。醫(yī)學(xué)是關(guān)乎民生的重要領(lǐng)域，是社會(huì)發(fā)展的軸心。隨著現(xiàn)代醫(yī)學(xué)科學(xué)技術(shù)的飛速發(fā)展，所產(chǎn)生的各種醫(yī)學(xué)數(shù)據(jù)呈現(xiàn)規(guī)模巨態(tài)、表征動(dòng)態(tài)、價(jià)值稀態(tài)及結(jié)構(gòu)多態(tài)等特點(diǎn)。那么，如何運(yùn)用現(xiàn)代信息技術(shù)與方法對(duì)這樣高復(fù)雜性的醫(yī)學(xué)大數(shù)據(jù)進(jìn)行分析與處理以挖掘其中潛在的規(guī)律和價(jià)值，則是大數(shù)據(jù)時(shí)代下以數(shù)據(jù)驅(qū)動(dòng)為研究與發(fā)展方向的必然趨勢(shì)。西北大學(xué)醫(yī)學(xué)大數(shù)據(jù)研究中心以創(chuàng)建具有鮮明領(lǐng)域特色的融合數(shù)學(xué)、信息、醫(yī)學(xué)及生物等多學(xué)科的交叉研究中心為總體目標(biāo)，以醫(yī)學(xué)大數(shù)據(jù)分析與挖掘?yàn)檠芯恐攸c(diǎn)，積極開展機(jī)器學(xué)習(xí)理論與方法及其在醫(yī)學(xué)大數(shù)據(jù)分析中的應(yīng)用等方面的研究工作。中心目前主要針對(duì)腦電、心電及中藥數(shù)據(jù)，開展關(guān)于癲癇性發(fā)作的自動(dòng)檢測及預(yù)測、自適應(yīng)陣發(fā)性房顫的自動(dòng)檢測、神經(jīng)生理系統(tǒng)建模、中藥成分譜效關(guān)系建模等課題的研究。

本次“腦電數(shù)據(jù)分析”專題由西北大學(xué)醫(yī)學(xué)大數(shù)據(jù)研究中心主任張瑞教授主持，主要針對(duì)癲癇性發(fā)作自動(dòng)檢測中的相關(guān)問題展開系統(tǒng)研究。包括癲癇腦電的特征提取方法綜述、癲癇腦電信號(hào)的去噪方法研究、非平衡腦電數(shù)據(jù)的處理方法研究、新的癲癇腦電特征提取方法研究。特別是在“癲癇腦電的特征提取方法綜述”一文中， 首次對(duì)已有的癲癇腦電特征提取方法， 分別從時(shí)域分析、 頻域分析、 時(shí)頻分析、 非線性分析、 圖論、 癲癇計(jì)算模型6個(gè)方面進(jìn)行歸類， 并對(duì)每類方法的基本原理和設(shè)計(jì)思想進(jìn)行了系統(tǒng)的闡述。 此外， 本欄目內(nèi)容還包含了癲癇性發(fā)作自動(dòng)檢測中的去噪、 非平衡處理及特征提取等各個(gè)關(guān)鍵環(huán)節(jié)。 所提出的基于ICA與小波閾值的癲癇腦電信號(hào)去噪方法， 在一定程度上達(dá)到了自動(dòng)去噪的效果， 同時(shí)避免了去噪過程中對(duì)噪聲人工辨別及干凈參考噪聲選取等問題； 所提出的數(shù)據(jù)平衡方法， 在減少數(shù)據(jù)信息損失的前提下提高了非平衡數(shù)據(jù)分類的有效性； 所提出的癲癇腦電融合特征提取方法與已有方法相比， 檢測性能有了很大提高， 準(zhǔn)確率可達(dá)到97.42%。這些工作為癲癇性發(fā)作自動(dòng)檢測的系統(tǒng)研究提供了一定的思路。

主持人：張瑞，西北大學(xué)醫(yī)學(xué)大數(shù)據(jù)研究中心主任，西北大學(xué)數(shù)學(xué)學(xué)院教授，博士生導(dǎo)師。