石雨菲，王瑤，胡珊，田翔華，陳子怡，周毅△

(1.中山大學(xué) 中山醫(yī)學(xué)院，廣州 510080；2.中山大學(xué) 生物醫(yī)學(xué)工程學(xué)院，廣州 510006；3.新疆醫(yī)科大學(xué) 醫(yī)學(xué)工程技術(shù)學(xué)院,烏魯木齊 830011；4.中山大學(xué)附屬第一醫(yī)院，廣州 510080)

引言

癲癇(Epilepsy)是一種由大腦神經(jīng)元集群高度同步化異常放電引起的反復(fù)性發(fā)作的神經(jīng)系統(tǒng)疾病[1]，嚴(yán)重影響患者正常生活。目前癲癇患者在全球范圍內(nèi)近6 500萬(wàn)[2-3]，其中約有30%的癲癇患者無(wú)法通過(guò)藥物治療得到有效控制，被稱為藥物耐受性癲癇患者[4-5]。在藥物耐受性癲癇患者中，有25%可以通過(guò)致癇灶切除術(shù)進(jìn)行治療[5-6]，部分患者可接受生酮飲食或神經(jīng)調(diào)控，而其余癲癇患者的發(fā)作性癥狀尚無(wú)任何合適的治療手段可以控制[7]。

腦電信號(hào)(electroencephalography，EEG)是記錄大腦電活動(dòng)的無(wú)創(chuàng)方式，能夠監(jiān)測(cè)癲癇發(fā)作時(shí)大腦的異常放電現(xiàn)象，對(duì)其發(fā)作進(jìn)行預(yù)測(cè)[8]。利用計(jì)算機(jī)技術(shù)分析EEG信號(hào)實(shí)現(xiàn)癲癇發(fā)作的檢測(cè)研究，可有效輔助醫(yī)生對(duì)藥物耐受性癲癇患者進(jìn)行治療和控制，對(duì)臨床癲癇治療具有重大意義[9-10]。然而現(xiàn)有模型泛化性及魯棒性不足，且對(duì)于臨床真實(shí)數(shù)據(jù)的研究不夠深入。為緩解上述問(wèn)題，本研究利用多尺度排列熵、人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)方法設(shè)計(jì)MPE-ANN-SVM模型應(yīng)用于癲癇腦電分類。該模型使用多尺度排列熵[11]與人工神經(jīng)網(wǎng)絡(luò)來(lái)提取腦電信號(hào)特征，使用支持向量機(jī)[12]和人工神經(jīng)網(wǎng)絡(luò)[13]兩種機(jī)器學(xué)習(xí)算法對(duì)提取到的特征進(jìn)行分類。

1 方法

1.1 多尺度排列熵

多尺度排列熵為多個(gè)尺度下的排列熵，能夠反映信號(hào)隨機(jī)性與復(fù)雜性[14]。多尺度排列熵的計(jì)算方式為：將長(zhǎng)度為N的時(shí)間序列X=(x1,x2,x3…,xn)，經(jīng)過(guò)粗?；螅笃渑帕徐豙15]。具體的計(jì)算步驟如下[16]：

對(duì)時(shí)間序列X=(x1,x2,x3…,xn)粗粒化處理，得到

(1)

其中，j=1，2，…，[N/s]，[N/s]為N/s向下取整，s為尺度因子。

對(duì)粗粒化后得到的序列重構(gòu)有：

Yl(s)={yl(s),yl+1(s),…,yl+(m-1)λ(s)}

(2)

其中，m為嵌入維數(shù)，λ為延遲時(shí)間，l為重構(gòu)分量且l=1，2，…，N-(m-1)λ。

將式(1)-(2)升序排列，每一個(gè)粗?；蛄卸?能得到一組新的序列s(v)=(l1,l2,…,lm)，其中v=1，2，…，V。V≤m!，s(v)的數(shù)目與重構(gòu)序列m!的數(shù)目一致。

計(jì)算不同尺度下的排列熵：

(3)

其中，pv為第v次符號(hào)序列出現(xiàn)的概率。

(4)

HP的值越小，該時(shí)間序列越有序，腦電信號(hào)復(fù)雜性降低；值越大時(shí)，該時(shí)間序列的規(guī)律性越弱，腦電信號(hào)復(fù)雜性升高。

1.2 人工神經(jīng)網(wǎng)絡(luò)分類器

人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單神經(jīng)元組成的廣泛并行互連的網(wǎng)絡(luò)，能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng)[17]。神經(jīng)元作為神經(jīng)網(wǎng)絡(luò)的基本組成單元，具有溝通信息的作用[18]。神經(jīng)元結(jié)構(gòu)見(jiàn)圖1。

圖1 神經(jīng)元結(jié)構(gòu)示意圖

感知機(jī)是由一個(gè)神經(jīng)元組成的模型，而多個(gè)神經(jīng)元交織在一起則生成神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)元的主要參數(shù)是權(quán)重矩陣和偏置矩陣，網(wǎng)絡(luò)學(xué)習(xí)過(guò)程就是不斷更新神經(jīng)元內(nèi)部的參數(shù)，使其輸出預(yù)測(cè)值與實(shí)際值之間的誤差盡可能小[19]。

神經(jīng)網(wǎng)絡(luò)一般由三個(gè)部分組成：輸入層(Input Layer)，隱含層(Hidden Layer)，輸出層(Output Layer)。其中輸入層負(fù)責(zé)接收外部信息；隱含層則是神經(jīng)網(wǎng)絡(luò)的核心，負(fù)責(zé)對(duì)輸入層接收到的信息進(jìn)行學(xué)習(xí)，并且在學(xué)習(xí)過(guò)程中不斷更新權(quán)值(Weight)和偏置(Bias)；輸出層負(fù)責(zé)輸出結(jié)果[20]。

將輸入層X(jué)=(x1,x2,x3,...,xn)和權(quán)重矩陣W=(ω1,ω2,...,ωn)兩者相乘并加上偏置函數(shù)b之后，輸入隱含層中，可以得到非線性激活函數(shù)σ，計(jì)算公式如下：

(5)

輸出Y在非線性函數(shù)激活之前的步驟僅為線性組合，對(duì)于復(fù)雜問(wèn)題難以找到合適的最優(yōu)解，而非線性更接近客觀事物性質(zhì)本身，能夠表達(dá)變量間的相關(guān)性，因此，引入非線性函數(shù)可得到模型最優(yōu)解。通過(guò)使用非線性函數(shù)，可將數(shù)據(jù)特征映射至一個(gè)非線性系統(tǒng)，得到更多的原始信息，由輸出層得出：

Y=σ(v)

(6)

1.3 支持向量機(jī)分類器

支持向量機(jī)(support vector machine，SVM)是Cortes和Vapnik于1995年對(duì)線性分類器提出的一種最優(yōu)準(zhǔn)則設(shè)計(jì)[21-22]。SVM能夠較好地解決小樣本、高維性等問(wèn)題，其基本思想可以總結(jié)為：在特征空間內(nèi)尋找一個(gè)用于分類樣本的最佳超平面，該平面可正確分類樣本，同時(shí)也能使得各樣本集距離該平面的間隔最大，分類器的泛化性能也因此特性較好[23]。具體算法如下[24]：

用一個(gè)維度為n的向量x來(lái)表示數(shù)據(jù)點(diǎn)，用y取值-1或1將兩種類別區(qū)分開(kāi)來(lái)。區(qū)分的平面其方程可以表示為：

wTx+b=0

(7)

基于該平面將兩類數(shù)據(jù)分隔，定義函數(shù)f(x)為：

f(x)=wTx+b

(8)

若f(x)=0，數(shù)據(jù)點(diǎn)的位置剛好在超平面上；f(x)<0，則對(duì)應(yīng)y=-1的數(shù)據(jù)點(diǎn)；f(x)>0，則對(duì)應(yīng)y=1的數(shù)據(jù)點(diǎn)。根據(jù)上述規(guī)則選擇完最優(yōu)分類面后，使用新數(shù)據(jù)測(cè)試分類效果。測(cè)試時(shí)，定義f(x)為：

(9)

式中，λi為拉格朗日因子，且滿足條件λi≥0和yi(w,φ(xi)+b)=1。K(xi,x)為核函數(shù)。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)來(lái)自于新疆某三甲醫(yī)院神經(jīng)科腦電圖室的癲癇患者?；颊呷虢M嚴(yán)格遵循部分性(發(fā)作)癲癇患者的入組標(biāo)準(zhǔn)。所采集的癲癇患者處于靜臥狀態(tài)來(lái)減少肢體活動(dòng)對(duì)腦電信號(hào)的干擾。數(shù)據(jù)采集設(shè)備為尼高力(NicholetOne)腦電圖機(jī)。腦電數(shù)據(jù)為24長(zhǎng)程視頻頭皮腦電圖，用雙極導(dǎo)聯(lián)法同步記錄22導(dǎo)波形。數(shù)據(jù)采樣頻率為500 Hz。相關(guān)癲癇發(fā)作事件起始已在腦電數(shù)據(jù)中由經(jīng)驗(yàn)豐富的臨床專家進(jìn)行標(biāo)注。本次實(shí)驗(yàn)數(shù)據(jù)信息見(jiàn)表1。

表1 實(shí)驗(yàn)數(shù)據(jù)信息說(shuō)明

本次實(shí)驗(yàn)樣本包含13名患者，其中4名男性患者，9名女性患者，患者的年齡區(qū)間跨度為6～51歲，能夠增強(qiáng)模型的泛化能力。本次實(shí)驗(yàn)?zāi)X電圖記錄的總持續(xù)時(shí)間在360 h左右，數(shù)據(jù)中的癲癇發(fā)作起始點(diǎn)和終止點(diǎn)由臨床癲癇專家所標(biāo)記。13位患者共計(jì)159次發(fā)作，平均每人發(fā)作12次。選取完數(shù)據(jù)后，經(jīng)過(guò)計(jì)算，可得發(fā)作期的持續(xù)時(shí)間為9 960 s(166 min左右)。

經(jīng)研究表明，由于發(fā)作前期無(wú)固定的時(shí)間選擇，發(fā)作前期數(shù)據(jù)一般由人為設(shè)置，一些研究選擇固定發(fā)作前期持續(xù)時(shí)間為20～90 min，本研究將發(fā)作前期腦電數(shù)據(jù)定為發(fā)作前半個(gè)小時(shí)的腦電信號(hào)。對(duì)于發(fā)作期數(shù)據(jù)的選取，根據(jù)臨床專家標(biāo)注的癲癇腦電數(shù)據(jù)，選取發(fā)作期腦電數(shù)據(jù)全集。最后形成分類的初步樣本庫(kù)。

2.2 實(shí)驗(yàn)過(guò)程

2.2.1實(shí)驗(yàn)設(shè)計(jì)概述 本研究設(shè)計(jì)的檢測(cè)結(jié)構(gòu)見(jiàn)圖2。先由2.1中所述的患者信息提取原始腦電信號(hào)，得到數(shù)據(jù)集A?；跀?shù)據(jù)集A,使用多尺度排列熵提取信號(hào)特征，最終得到非線性數(shù)據(jù)集A1，該數(shù)據(jù)集包括5 457條發(fā)作前期信號(hào)特征和3 876條發(fā)作期信號(hào)特征。使用一個(gè)隨機(jī)數(shù)函數(shù)，隨機(jī)提取2 000條發(fā)作前期數(shù)據(jù)集A2-1和2 000條發(fā)作期數(shù)據(jù)集A2-2作為訓(xùn)練樣本庫(kù)，訓(xùn)練模型。剩余數(shù)據(jù)為測(cè)試數(shù)據(jù)樣本庫(kù)。

圖2 自動(dòng)檢測(cè)識(shí)別分類結(jié)構(gòu)

2.2.2多尺度排列熵特征值提取 為提高模型準(zhǔn)確率，獲取腦電信號(hào)的有效特征，本研究對(duì)信號(hào)采取進(jìn)一步處理，將計(jì)算非線性動(dòng)力學(xué)特征指標(biāo)的數(shù)據(jù)跨度設(shè)置為5 000個(gè)點(diǎn)，每10 s滑動(dòng)提取一次特征值。同時(shí)對(duì)于不足5 000個(gè)點(diǎn)的數(shù)據(jù)，設(shè)置為1 000個(gè)點(diǎn)的方式提取，而超出5 000個(gè)點(diǎn)的數(shù)據(jù)則進(jìn)行分段提取。本研究選取多尺度排列熵來(lái)獲取癲癇的非線性動(dòng)力學(xué)特征。

患者在癲癇發(fā)作過(guò)程中，神經(jīng)元集群會(huì)大量同步放電，使得原本復(fù)雜的腦功能有著不同程度的抑制[25]。經(jīng)實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)，從發(fā)作前期到發(fā)作期，多尺度排列熵表現(xiàn)為有不同程度的陡升陡降。本研究通過(guò)提取1號(hào)患者T3、T5、P3、O1導(dǎo)聯(lián)上的一次發(fā)作過(guò)程信號(hào)來(lái)描述多尺度排列熵在發(fā)作過(guò)程中的變化情況(見(jiàn)圖3)。

圖3 多尺度排列熵在發(fā)作過(guò)程中的變化規(guī)律Fig.3 Variation rule of multi-scale permutation entropy during seizure

最終，經(jīng)過(guò)特征提取得到5 457條發(fā)作前期信號(hào)特征和3 876條發(fā)作期信號(hào)特征。

2.2.3模型訓(xùn)練 由于SVM具有較好的泛化能力，而ANN不僅能夠有效提取信號(hào)特征，還具有更好的魯棒性，因此,本研究結(jié)合SVM與ANN提出一種新型網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)癲癇的檢測(cè)識(shí)別，該模型具體的網(wǎng)絡(luò)參數(shù)信息見(jiàn)表2。

表2 ANN+SVM網(wǎng)絡(luò)結(jié)構(gòu)

將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的輸出層改為SVM，即將經(jīng)過(guò)一次線性變換的數(shù)據(jù)送入SVM分類器中。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，使用一層簡(jiǎn)單Dense層的結(jié)果最優(yōu)。

基于2.2.1中給出的自動(dòng)檢測(cè)識(shí)別模型，將經(jīng)多尺度排列熵提取特征值后的全導(dǎo)聯(lián)數(shù)據(jù)集A2-1和A2-2輸入至表2中的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即2個(gè)22×2 000的數(shù)據(jù)集。從第2層Dense層后，將176×2 000維的數(shù)據(jù)取出為A3，再將A3放入SVM分類模型訓(xùn)練。將神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練輪次設(shè)為60次后，送入SVM分類器中進(jìn)行測(cè)試。結(jié)果顯示，模型準(zhǔn)確率能夠達(dá)到94.85%。ANN層學(xué)習(xí)過(guò)程見(jiàn)圖4。

圖4 ANN中間模型 Fig.4 ANN intermediate model

2.3 評(píng)價(jià)指標(biāo)與實(shí)驗(yàn)結(jié)果

為驗(yàn)證MPE-ANN-SVM模型的有效性及優(yōu)越性，研究用敏感性(sensitivity，Sen)、特異性(specificity，Spe)與識(shí)別準(zhǔn)確率(accuracy，Acc)三個(gè)參數(shù)作為評(píng)價(jià)指標(biāo)。其中，Sen用于評(píng)價(jià)模型對(duì)發(fā)作期腦電數(shù)據(jù)的識(shí)別能力，Spe用于評(píng)價(jià)模型對(duì)發(fā)作前期腦電數(shù)據(jù)的識(shí)別能力[26]，Acc用于評(píng)價(jià)測(cè)試數(shù)據(jù)與標(biāo)注數(shù)據(jù)間的接近程度。具體公式表示如下：

(10)

其中，TP為真陽(yáng)性，F(xiàn)P為假陽(yáng)性，TN為真陰性，F(xiàn)N為假陰性。

為驗(yàn)證本研究算法的泛化性能，探究不同方法對(duì)算法的影響，本研究將多個(gè)方法進(jìn)行拆分，采用消融實(shí)驗(yàn)來(lái)驗(yàn)證各方法對(duì) MPE-ANN-SVM 的貢獻(xiàn),驗(yàn)證結(jié)果見(jiàn)表3。

表3 分類檢測(cè)結(jié)果對(duì)比Table 3 Comparison results of classification detection

由表3可知，與單一的分類器相比，由于有效地結(jié)合了神經(jīng)網(wǎng)絡(luò)分類器能提取更多有效信息和支持向量機(jī)泛化性能較好的優(yōu)點(diǎn)，MPE-ANN-SVM模型具有更高的識(shí)別準(zhǔn)確率、敏感率及特異率，能夠更好的應(yīng)用于癲癇診斷。

3 結(jié)論

本研究基于MPE方法、ANN及SVM分類器設(shè)計(jì)了一種能夠有效實(shí)現(xiàn)癲癇分類識(shí)別的MPE-ANN-SVM模型。經(jīng)驗(yàn)證，該模型不僅具有良好的泛化性能及魯棒性，還能得到較好的識(shí)別準(zhǔn)確率。其中，MPE方法能夠更好地提取原始腦電信號(hào)特征，ANN與SVM分類器具有較好的檢測(cè)識(shí)別性能，三種方法相結(jié)合能夠提高癲癇的識(shí)別效果。為提高模型準(zhǔn)確率，本研究在實(shí)驗(yàn)數(shù)據(jù)集上進(jìn)行了部分處理，但研究仍是針對(duì)小群體患者進(jìn)行，缺乏大量對(duì)比數(shù)據(jù)，后續(xù)還需加入更多的癲癇患者數(shù)據(jù)，豐富數(shù)據(jù)集并優(yōu)化算法模型，得到更加豐富的特征，同時(shí)提高模型性能。