孫璐

摘要 自動癲癇檢測通常需長時間監(jiān)視，是顱內(nèi)監(jiān)測的重要手段。現(xiàn)有方法存在較大的誤檢率，特別是在顱內(nèi)腦電圖中。為了摸清發(fā)作檢測方法的節(jié)律特征，開發(fā)了一種基于小波的方法，比較發(fā)作腦電與背景腦電的不同，并對該方法的性能進行了探討。

關(guān)鍵詞 癲癇自動檢測；顱內(nèi)腦電檢測；小波變換

DOI DOI： 10.11907/rjdk.162430

中圖分類號： TP301

文獻標識碼： A 文章編號 文章編號： 16727800（2017）002001102

0 引言

癲癇自動檢測（Automatic Seizure Detection）對長期癲癇監(jiān)視非常重要。眾所周知，很多病人癲癇發(fā)作是因為沒有被警告，或者被警告卻不能按下報警按鈕，或者根本就沒有察覺[1]。讓一個人24小時監(jiān)視一個連續(xù)的腦電圖（EEG）記錄是非常乏味的，且成本較高，當腦電圖的通道增加，或當病人使用腦內(nèi)電極時，問題會更加嚴峻。自動檢測，特別是在線檢測，能夠很好地輔助識別可能發(fā)作的腦電圖區(qū)。即使存在誤告警情況，自動檢測依然是有用的，因為專業(yè)人士會復查所有檢測，錯誤檢測會很快被摒棄。

早期有通過簡單的計算幅度來進行發(fā)作檢測，而被廣泛應(yīng)用的方法則是Gotman方法[2]，后續(xù)對該方法進行了改進和擴展[3]。Gotman方法已被應(yīng)用于臨床診斷和治療中，它需要對不同環(huán)境下的病人群體使用獨立估計[4]。

顱內(nèi)記錄較頭皮記錄有很大優(yōu)勢，受人工影響少（雖然存在來自于故障探針的技術(shù)問題，但極少）。同時，這種顱內(nèi)記錄也存在劣勢，它會呈現(xiàn)大量幅度和頻率波動的EEG模式。Harding[5]開發(fā)了一種針對于顱內(nèi)檢測EEG（Stereo Electro-Encephalo-Grams 或 SEEG）的特殊方法，但是要評價其性能是很困難的，這是因為對于每個被記錄下來的首次發(fā)作的病人，其檢測標準是不同的。Osorio等[6]也提出了一種針對SEEG記錄的方法。他們針對125個發(fā)作片段和超過200個非發(fā)作片段來進行評價，但是其數(shù)據(jù)總數(shù)只有54小時，記錄有8個或者16個通道。令人驚奇的是，其獲得了100%的靈敏度并且沒有失敗檢測。必須注意到，該算法是針對所研究的數(shù)據(jù)集（沒有進行針對無關(guān)數(shù)據(jù)集的測試）。

本文提出的發(fā)作檢測方法主要針對EEG。該方法是基于小波分析并且應(yīng)用了寬的時空背景，它通過與開發(fā)數(shù)據(jù)集完全無關(guān)的未經(jīng)選擇的數(shù)據(jù)集進行測試。

1 小波變換

小波變換作為信號分析和特征提取的重要工具，可以給出信號在時域和頻域的信號表示。不同于傅里葉變換只提供信號全局規(guī)整性的描述，小波變換給出了不同頻率的時空估計。該特性很適用于EEG信號，具有時變的頻率特性并且包括突發(fā)事件。選擇合適的小波來匹配發(fā)作的形狀和頻率特性很重要，本文選擇Daubechies-4小波，使用它來分析非靜止信號，如EEG非常適用。不同尺度的離散小波變換（DWT）系數(shù)可以使用一個簡單的遞歸數(shù)字濾波器組。高通濾波器的輸出給出了這一系列該尺度的DWT系數(shù)（也稱為細節(jié)系數(shù)）。低通濾波器的輸出包含了信號的低頻能量，稱為尺度函數(shù)（也稱為逼近系數(shù)）。

采樣率是200Hz的信號帶限于100Hz（Nyquist 準則）。因此，遞歸濾波給出50～100Hz（尺度1）、25～50Hz（尺度2）、12～25Hz（尺度3）、6～12Hz（尺度4）、3～6Hz（尺度5）的細節(jié)系數(shù)和逼近系數(shù)以代表剩余信號（低頻信息）。在深層記錄的EEG信號中出現(xiàn)的發(fā)作通常出現(xiàn)在3～25Hz。因此，該頻率范圍會出現(xiàn)在尺度3、4、5中。

2 特征

2.1 能量

在發(fā)作時間上，EEG往往跨過大部分的尺度（例如寬范圍的頻率）。相反地，當發(fā)作出現(xiàn)時，EEG會出現(xiàn)有節(jié)奏的行為，如在一定周期上相同波形的重復，因此在多尺度框架下只是出現(xiàn)在有限的幾個尺度。對于Daubechies小波，形成了在時間-頻率平面上的一個正交基，小波系列系數(shù)的平方和就是信號的能量，DWT尺度l的能量可表示為：

2.2 變化系數(shù)（Coefficient of Variation）

當進行EEG幅度分析時，常使用的特征是均值（μ）、標準差（σ）和變化系數(shù)（σ2/μ2）。這些都是從原始信號或者調(diào)整后的信號計算而得。在當前工作中，變化系數(shù)是對選定的‘ l 層的DWT系數(shù)進行計算而得。在該方法中，波形被分為很多片段，一個片段定義為最小值和接著的最大值之間的部分或者反之。每個片段以其持續(xù)時間、幅度和方向而界定。片段的均值和標準差被計算，進而可以據(jù)此進行幅度變化系數(shù) c （ l ）的計算。對于在很多種發(fā)作中出現(xiàn)的有節(jié)奏的行為，變化系數(shù)可能會給出較小的值。因此，采用預測的門限值（CTH），而變化系數(shù)則作為發(fā)作分析的第二特征。

2.3 相對幅度

在發(fā)作過程中的某些點，有節(jié)奏的發(fā)作分量的幅度與發(fā)作前的背景相比變得更大。平均幅度的計算如上所述，也即該片段幅度的均值。為了衡量相對于背景的幅度，每個EEG 片段被其相對應(yīng)層的背景標準化?；谝延袑嶒灲?jīng)驗，選擇停留了20s間隔后的15s。

3 結(jié)果

本實驗所采用的腦電數(shù)據(jù)是來自于德國波恩癲癇研究室數(shù)據(jù)庫的F和S集[7]。每個集包含100個單通道腦電數(shù)據(jù)，每段數(shù)據(jù)的長度為23.6s，采樣率為173.6Hz。這些數(shù)據(jù)采用目測檢查的方法，去除了偽跡、干擾，并經(jīng)過裁剪而得到。其中F集記錄了沒有癲癇發(fā)作的腦電記錄，而S集記錄了癲癇活動。

發(fā)作期間EEG的頻譜很寬，覆蓋了3～29Hz的范圍。圖1給出了一個帶有發(fā)作行為的EEG信號的小片段，它被分解為5個細節(jié)函數(shù)（‘D）和逼近函數(shù)（‘A）。對于這段EEG，在尺度3和4有系數(shù)的最大值。小波因此被看作是一組能夠表示自然的高度短暫的現(xiàn)象，如EEG中的棘和發(fā)作信號的函數(shù)。接著對分解的系數(shù)進行特征提取，構(gòu)成特征向量。采用本文方法進行癲癇發(fā)作檢測，結(jié)果如表1所示。從實驗結(jié)果看，本文方法在敏感度、特異性、識別率方面均優(yōu)于以往方法。

4 結(jié)語

基于小波的方法與以往方法在敏感度上相差無幾，但是錯誤報警率有所降低，識別率有較大提升。檢測結(jié)果并沒有因為數(shù)據(jù)集的改變而出現(xiàn)很大偏差，在某種程度上反映了該方法并不是只適合訓練集，而是能更好地加以推廣，而不損失其有效性。

由于多因素影響，針對顱內(nèi)腦電的發(fā)作檢測方法面臨很多挑戰(zhàn)。發(fā)作可能會只出現(xiàn)在一個或兩個通道，在這種情況下依賴空間特性就頗為困難（例如在幾個空間相諧的信道都有發(fā)作行為）。很多電極被放置并且因此很多信道都必須被分析。隨著通道數(shù)目的增加，失敗檢測的數(shù)目也相應(yīng)增加。這種增加不一定是線性的，這是因為相似的行為往往會出現(xiàn)在幾個信道，但是這并不是很重要。例如，如果為每個病人選擇4～8個已經(jīng)知道有發(fā)作發(fā)生的信道，檢測率可能不會有很大變化，但是失敗檢測往往會有很大降低。

考慮到這種失敗告警很少，于是將注意力轉(zhuǎn)移到漏掉的發(fā)作，這尤為重要。為了通過小波方法來處理假陰性，需要重新強調(diào)：為了在一個通道有一個預檢測，需要在5s內(nèi)有至少兩個候選發(fā)作，并且15s之內(nèi)兩個候選發(fā)作需要有重復。該假設(shè)使突發(fā)性的非發(fā)作行為產(chǎn)生容易分辨的候選發(fā)作，同時發(fā)作在短時間跨度內(nèi)可以被檢測。

識別正確率是決定癲癇檢測算法是否可以應(yīng)用于臨床的關(guān)鍵，本文提出了采用小波變換對腦電信號進行多尺度分析，并分別提取各尺度特征組成特征向量的方法。該方法可以達到94.82%的識別率，能夠有效地檢測癲癇發(fā)作，為基于腦電信號的癲癇檢測儀器的研制提供了理論基礎(chǔ)。

參考文獻：

[1] BLUM DE，ESKOLA J，BORTZ JJ，et al.Patient awareness of seizures[J].Neurology，1996（47）：260264.

[2] GOTMAN J.Automatic recognition of epileptic seizures in the EEG[J].Electroenceph clin Neurophysiol，1982（54）：530570.

[3] GOTMAN J.Automatic seizure detection： improvements and evaluation[J].Electroenceph Clin Neurophysiol，1990（76）：317341.

[4] PAURI F，PIERELLI F，CHARTRIAN GE，et al.Long term EEGvideoaudio monitoring： computer detection of focal EEG seizure patterns[J].Electroenceph clin Neurophysiol，1992（82）：19.

[5] HARDING GW.An automated seizure monitoring system for patients with indwelling recording electrodes[J].Electroenceph Clin Neurophysiol，1993（86）：428465.

[6] OSORIO I，F(xiàn)REI MG，WILKINSON SB.Realtime automated detection and quantitative analysis of seizures and shortterm prediction of clinical onset[J].Epilepsia，1998（39）：615642.

[7] R ANDRZEJAK，K LEHNERTZ，F(xiàn) MORMANN，et al.Indications of nonlinear deterministic and finitedimensional structures in time series of brain electrical activity：dependence on recording region and brain state[J].Physical Review E，2001，64（6）：18.

（責任編輯：孫 娟）