韋博軒，張冀聰

1. 北京航空航天大學(xué) a. 生物與醫(yī)學(xué)工程學(xué)院；b. 北京市生物醫(yī)學(xué)工程高精尖創(chuàng)新中心；c. 北京市大數(shù)據(jù)精準(zhǔn)醫(yī)療高精尖創(chuàng)新中心，北京 100191；2. 北京航空航天大學(xué) 合肥創(chuàng)新研究院，安徽 合肥 230012

引言

癲癇是一種由于神經(jīng)細(xì)胞異常過度放電而導(dǎo)致的慢性腦部疾病，具有反復(fù)發(fā)作的特征[1]。癲癇患者常伴有無法控制的運(yùn)動(dòng)、意識(shí)喪失及暫時(shí)性混亂等癥狀，嚴(yán)重影響日常生活及工作，甚至威脅到患者的生命[2]。據(jù)癲癇基金會(huì)和世界衛(wèi)生組織調(diào)查顯示[3]，目前全世界約有6500 萬人被診斷患有癲癇，240 萬人被發(fā)現(xiàn)有癲癇癥狀。

頭皮腦電圖（Electroencephalogram，EEG）和腦磁圖（Magnetoencephalogram，MEG）是臨床上用于記錄腦部相關(guān)活動(dòng)的無創(chuàng)信號(hào)采集手段[4]，具有優(yōu)異的時(shí)間分辨率（EEG和MEG 信號(hào)均來自相同的神經(jīng)生理過程，但MEG 信號(hào)失真較少，且較EEG 信號(hào)而言具有更高的空間分辨率[5]），在癲癇的診斷、治療、療效評(píng)估及機(jī)理研究領(lǐng)域發(fā)揮著重要的作用[4-7]。大量研究顯示，近80%的癲癇患者在癲癇間隙期會(huì)伴有神經(jīng)元的異常放電，在EEG 及MEG 中的波形表現(xiàn)主要有棘波、尖波、棘慢及尖慢復(fù)合波等[8-9]。臨床上，通常選擇提取癲癇發(fā)作間期的癇樣棘波和尖波，并通過定量分析獲取癲癇相關(guān)的病理信息。此外，基于EEG 及MEG 的源定位方法在癲癇患者的術(shù)前評(píng)估及預(yù)后中起到關(guān)鍵性的作用[10]，而在這之中，棘波和尖波的檢測是源定位的第一步。

目前臨床上，視覺檢測和手動(dòng)注釋被看作是棘波和尖波檢測的“金標(biāo)準(zhǔn)”，然而大量繁瑣而冗余的工作給專業(yè)人員帶來沉重的負(fù)擔(dān)，且其檢測的準(zhǔn)確性過度依賴于檢查者的主觀判斷，因此，設(shè)計(jì)實(shí)現(xiàn)用于EEG 及MEG 信號(hào)解釋的自動(dòng)化系統(tǒng)意義重大。

本文關(guān)注的是EEG 和MEG 信號(hào)中棘波和尖波的自動(dòng)檢測，需要注意以下三點(diǎn)：首先，雖然臨床中對(duì)棘波和尖波的定義有所不同，但在棘波和尖波的自動(dòng)識(shí)別領(lǐng)域，將二者統(tǒng)稱為癲癇瞬變現(xiàn)象或統(tǒng)稱為棘波，因此下文將以棘波代指棘波和尖波的集合；其次，兩類信號(hào)均具有多通道特性，因此棘波檢測可在單通道或多通道上進(jìn)行；最后，棘波被認(rèn)為是信號(hào)的異常段，因此大多數(shù)異常檢測技術(shù)均可用于EEG 及MGE 信號(hào)中棘波的檢測，盡管該領(lǐng)域的大部分工作都致力于EEG 棘波檢測，但經(jīng)過一些修改后，同樣可以擴(kuò)展應(yīng)用于MEG 棘波檢測中。

本文結(jié)構(gòu)如下，第一節(jié)主要描述EEG 及MEG 信號(hào)中棘波的波形特征；第二節(jié)介紹通過設(shè)計(jì)特征工程實(shí)現(xiàn)棘波檢測的相關(guān)算法；第三節(jié)討論當(dāng)前工作的結(jié)果并展望棘波檢測算法的未來發(fā)展方向。

1 EEG/MEG信號(hào)棘波特征簡介

由于EEG 和MEG 信號(hào)均來自相同的神經(jīng)生理過程，因此本文以10～20 系統(tǒng)記錄的EEG 為例簡要介紹棘波特征。棘波是大腦皮層神經(jīng)細(xì)胞異常放電在EEG 信號(hào)中引起的波形變化，表現(xiàn)為由皮質(zhì)表面定向引起的表面負(fù)偏斜，上升支和下降支陡峭，整體形狀如同荊棘的尖刺，是EEG 信號(hào)中癇樣放電的典型特征之一。棘波的周期通常為20～70 ms，突出于背景信號(hào)，幅度大于20 μV，為背景信號(hào)的1.5 倍以上[11-13]。

受棘波上述特性及檢測方式等因素的影響，自動(dòng)棘波檢測面臨以下挑戰(zhàn)：① 由于人與人之間存在的個(gè)體化差異，導(dǎo)致棘波的表現(xiàn)形式各異，很難通過簡單的一致性方法自動(dòng)檢測EEG 及MEG 信號(hào)中存在的棘波；② 由于信號(hào)測量過程中不可避免地存在心跳、眼動(dòng)、肌肉運(yùn)動(dòng)等因素造成的偽差，對(duì)棘波自動(dòng)檢測的準(zhǔn)確率影響較大；③ 相對(duì)于完全放電的棘波，不完全放電的棘波波形特征不夠明顯，進(jìn)一步提高了自動(dòng)檢測的困難。

2 EEG/MEG信號(hào)棘波檢測算法

1972 年，Stevens 等[14]首次嘗試從長時(shí)程的EEG 信號(hào)中提取癇樣棘波，開啟了學(xué)界對(duì)棘波自動(dòng)檢測的研究。自此之后，依據(jù)癇樣棘波的特性，產(chǎn)生了諸多不同角度的棘波檢測算法，包括基于形態(tài)學(xué)[15-17]、信號(hào)相關(guān)性[18-21]、子帶分解[22-23]以及特征工程相關(guān)[24-31]等方向。由于篇幅有限，本文僅對(duì)基于機(jī)器學(xué)習(xí)的相關(guān)方法進(jìn)行介紹。傳統(tǒng)基于機(jī)器學(xué)習(xí)的棘波檢測算法通常分為以下三步，首先是對(duì)EEG/MEG信號(hào)的預(yù)處理，以此來提高信號(hào)的信噪比，為棘波的自動(dòng)檢測提供高質(zhì)量的純凈信號(hào)；其次是根據(jù)棘波的特點(diǎn)，人工設(shè)計(jì)特征工程，降低信號(hào)維度的同時(shí)，突出棘波與背景信號(hào)的差異；最后是根據(jù)得到的特征，進(jìn)行EEG/MEG 信號(hào)中棘波與背景信號(hào)的二分類，實(shí)現(xiàn)EEG/MEG 信號(hào)中棘波信號(hào)的檢出。除此之外，近年來發(fā)展迅猛的深度學(xué)習(xí)，作為機(jī)器學(xué)習(xí)中的一類方法，巧妙的結(jié)合的了傳統(tǒng)機(jī)器學(xué)習(xí)算法中特征提取與分類兩個(gè)步驟，為基于機(jī)器學(xué)習(xí)的EEG/MEG 信號(hào)棘波檢測算法提供了新的思路。本文分別從傳統(tǒng)機(jī)器學(xué)習(xí)算法及深度學(xué)習(xí)算法兩個(gè)方面回顧了近10 年來機(jī)器學(xué)習(xí)相關(guān)的棘波檢測算法。

2.1 傳統(tǒng)機(jī)器學(xué)習(xí)算法

基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的棘波檢測檢測模型中，濾波算法被用于信號(hào)預(yù)處理，以實(shí)現(xiàn)干擾信號(hào)濾除、信號(hào)某部分細(xì)節(jié)的增強(qiáng)或是趨勢(shì)消除，棘波檢測算法中較為簡單的一類正是利用了濾波器可增強(qiáng)信號(hào)某部分細(xì)節(jié)的能力，例如Oikonomou 等[24]提出一種基于卡爾曼濾波的方法，在預(yù)處理階段增強(qiáng)EEG 信號(hào)的信噪比，從而提高棘波的檢出率。由于神經(jīng)細(xì)胞外EEG采集時(shí)環(huán)境、設(shè)備等因素的影響，信號(hào)中不可避免的混雜了來自多個(gè)噪聲源的噪聲，Azami 等[25]基于這一情況，分別使用了基于分形維數(shù)、平滑非線性能量算子及標(biāo)準(zhǔn)差的方法構(gòu)建了三種不同的模型用于檢測含噪信號(hào)中的棘波。

特征提取通過將原始信號(hào)轉(zhuǎn)化為一組具有明顯物理意義或統(tǒng)計(jì)意義的屬性，實(shí)現(xiàn)了對(duì)信號(hào)降維的同時(shí)突出分類目標(biāo)間的差異，因此有學(xué)者根據(jù)棘波與背景信號(hào)的差異，設(shè)計(jì)特征工程，提高傳統(tǒng)機(jī)器學(xué)習(xí)算法的棘波檢測準(zhǔn)確率。例如Keshri 等[26]基于確定有限狀態(tài)自動(dòng)機(jī)（Deterministic Finite Automata，DFA）提出了一種名為DFAspike 的棘波檢測模型。該模型通過掃描EEG 信號(hào)的振幅、斜率及周期，將其轉(zhuǎn)換為{-1, 0, 1}組成的符號(hào)序列，并根據(jù)一段時(shí)間內(nèi)序列變化的方向及劇烈程度控制狀態(tài)轉(zhuǎn)換，最終識(shí)別棘波的開始、終止時(shí)刻及平均出現(xiàn)頻率。文中，作者采用了13 種狀態(tài)生成的轉(zhuǎn)換圖來描述EEG 信號(hào)的可能情況，并最終在植入式電極測得的大鼠EEG 信號(hào)中達(dá)到了99.13%的棘波檢出率。Fürbass 等[27]根據(jù)重癥監(jiān)護(hù)腦電圖術(shù)語（Critical Care EEG Terminology，CCET）提出了一種計(jì)算多通道EEG 信號(hào)的節(jié)律和周期模式的方法，以此來實(shí)現(xiàn)EEG 信號(hào)棘波的檢出。

機(jī)器學(xué)習(xí)是一類由數(shù)據(jù)驅(qū)動(dòng)的建模方法，旨在通過數(shù)據(jù)樣本的學(xué)習(xí)，挖掘EEG 及MEG 信號(hào)中棘波與背景信號(hào)的差異信息，自動(dòng)生成二者的分類模型。Khalid 等[21]開發(fā)了一種用于檢測癲癇患者M(jìn)EG 信號(hào)棘波的分類模型。該模型中，作者以共空間模式（Common Spatial Patterns，CSPs）技術(shù)提取MEG 信號(hào)特征，并利用線性判別分析（Linear Discriminant Analysis，LDA）算法構(gòu)建分類器，實(shí)現(xiàn)對(duì)棘波及背景信號(hào)的二分類，并在20 例癲癇患者的MEG 信號(hào)中取得了91.03%的靈敏度和94.21%的特異性。Anh-Dao 等[28]提出了包含預(yù)處理、特征提取、分類以及專家系統(tǒng)在內(nèi)的四個(gè)模塊構(gòu)成的棘波檢測模型。模型中，作者在預(yù)處理階段提出六個(gè)用于描述棘波形態(tài)的特征，將特征兩兩組合后利用三類感知器輸出結(jié)果并進(jìn)行融合決策，初步對(duì)輸入特征所屬的信號(hào)進(jìn)行二分類，即非棘波和疑似棘波；接著利用連續(xù)小波變化提取上一步分類結(jié)果中疑似棘波的特征，并輸入構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步細(xì)分，確定該段信號(hào)是否輸入棘波；最后利用EEG 信號(hào)的空間及時(shí)間背景信息構(gòu)建專家系統(tǒng)，對(duì)神經(jīng)網(wǎng)絡(luò)輸出的棘波進(jìn)行最終判定。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法在17 位癲癇患者的頭皮EEG 數(shù)據(jù)集上獲得了94.5%的準(zhǔn)確率。

2.2 深度學(xué)習(xí)算法

自2006 年以來，隨著深度學(xué)習(xí)技術(shù)持續(xù)升溫，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）已成為當(dāng)下諸多領(lǐng)域研究的熱點(diǎn)，并在圖像識(shí)別、語音識(shí)別等領(lǐng)域獲得矚目的成果[29-32]。此外，最近的腦電圖及腦磁圖的研究也在某種程度上使用了深度學(xué)習(xí)。例如，卷積神經(jīng)元網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是第一個(gè)應(yīng)用于腦電圖癲癇發(fā)作預(yù)測的深度學(xué)習(xí)模型[33]；文獻(xiàn)[34-36]在腦電數(shù)據(jù)上使用另一種稱為深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）的深度學(xué)習(xí)模型分別用于癲癇、不同睡眠狀態(tài)以及情緒識(shí)別的臨界頻帶相關(guān)的異常。除此之外，其他深度學(xué)習(xí)模型也被用于探索復(fù)雜的任務(wù)，如發(fā)現(xiàn)大腦結(jié)構(gòu)[37]；使用包括CNN、線性支持向量機(jī)和卷積自動(dòng)編碼器在內(nèi)的三種深度模型學(xué)習(xí)腦電波的特征[38]；使用多通道DBN 分類腦電圖數(shù)據(jù)[39]。

深度學(xué)習(xí)在EEG 及MEG 棘波檢測算法中的應(yīng)用還在初步階段，未見大量報(bào)道。例如Johansen 等[40]基于CNN 建立了一種棘波檢測模型。模型中，作者利用高通濾波器+陷波器的組合實(shí)現(xiàn)數(shù)據(jù)的預(yù)處理，并利用共同平均算法消除數(shù)據(jù)中存在的偽跡，之后以Relu 為激活函數(shù)，最小化二項(xiàng)式交叉熵為損失函數(shù)構(gòu)建了深度為5 層的1 維卷積神經(jīng)網(wǎng)絡(luò)，最后使用留一法在五名癲癇患者的腦電數(shù)據(jù)集中進(jìn)行交叉驗(yàn)證，取得了94.7%的準(zhǔn)確率。Van 等[41]將DBN 由生成模型改為判別模型，并以此建立了EEG 信號(hào)的棘波檢測模型。模型中，作者設(shè)計(jì)特征工程，提取7 個(gè)用于描述信號(hào)周期、振幅、坡度及面積的時(shí)域特征，并利用小波變換分別從EEG 信號(hào)的Theta、Alpha、Beta 頻段中提取280 個(gè)時(shí)頻域特征構(gòu)建特征向量，作為DBN 模型的輸入。經(jīng)實(shí)驗(yàn)驗(yàn)證，模型在具有19例癲癇患者的數(shù)據(jù)集上取得了95.97%的準(zhǔn)確率。雖然利用深度學(xué)習(xí)進(jìn)行棘波檢測的相關(guān)研究還很少，但上述種種算法的成功應(yīng)用也為基于機(jī)器學(xué)習(xí)的EEG 及MEG 信號(hào)棘波檢測驗(yàn)證了可能性并提出了進(jìn)一步發(fā)展的方向。

3 討論與展望

本文概述了近10 年來圍繞特征工程進(jìn)行的一些癇樣棘波檢測方法。不難看出，雖然大部分算法均在研究人員自己的數(shù)據(jù)庫中取得了良好的效果，但是由于數(shù)據(jù)標(biāo)準(zhǔn)、采集環(huán)境、樣本分布等因素的差異，算法間仍難以實(shí)現(xiàn)綜合的評(píng)估和比較。另一方面，由于各個(gè)數(shù)據(jù)集樣本量的限制，大多數(shù)算法均選擇將單個(gè)患者采得的信號(hào)按時(shí)間窗分段，然后隨機(jī)抽取其中的部分段形成訓(xùn)練集，在該部分?jǐn)?shù)據(jù)中分析總結(jié)波幅、周期等具有物理意義或統(tǒng)計(jì)學(xué)意義的特征，并將設(shè)計(jì)形成的棘波檢測模型放在另一部分樣本形成的測試集上驗(yàn)證算法效果，雖然大部分算法都在測試集上獲得了較高的準(zhǔn)確率，但是由于訓(xùn)練集和測試集數(shù)據(jù)中人群分布的局限以及背景數(shù)據(jù)的重復(fù)，算法的魯棒性及穩(wěn)定性未能得到充分驗(yàn)證。因此，建立具有統(tǒng)一標(biāo)準(zhǔn)的大規(guī)模癇樣棘波公開數(shù)據(jù)集，并依托其生成一套人群內(nèi)及跨人群的評(píng)估方案以精確衡量算法效率和魯棒性，是當(dāng)下實(shí)現(xiàn)可靠的自動(dòng)棘波檢測系統(tǒng)的迫切需求。

此外，相比于傳統(tǒng)“預(yù)處理-特征分析-分類”三步彼此獨(dú)立的方法，基于深度學(xué)習(xí)的棘波檢測算法獨(dú)具特色：① DNN 作為一種數(shù)據(jù)驅(qū)動(dòng)的建模方法，其無監(jiān)督與有監(jiān)督學(xué)習(xí)結(jié)合的學(xué)習(xí)模式，克服了傳統(tǒng)方法孤立對(duì)待特征分析與學(xué)習(xí)的缺點(diǎn)，能夠自適應(yīng)地學(xué)習(xí)數(shù)據(jù)特征；② 其具有的多層非線性映射結(jié)構(gòu)能夠表征特征之間的交互及層次結(jié)構(gòu)，從而發(fā)現(xiàn)底層特征之間的深層聯(lián)系；③ DNN 的多層網(wǎng)絡(luò)結(jié)構(gòu)在面對(duì)海量EEG 及MEG 數(shù)據(jù)時(shí)具有比傳統(tǒng)模型更強(qiáng)的表達(dá)能力，且能夠避免傳統(tǒng)模型構(gòu)建特征工程時(shí)對(duì)數(shù)據(jù)包含信息的損傷。然而，相比于人工設(shè)計(jì)的特征工程，深度學(xué)習(xí)算法中特征可解釋性差的弊端嚴(yán)重限制了該類方法在棘波檢測領(lǐng)域中的發(fā)展和應(yīng)用。因此，綜合不同種類方法的特點(diǎn)，形成機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)模型相結(jié)合的棘波檢測模型，將會(huì)是下一步的發(fā)展趨勢(shì)。