0 引言

    癲癇（epilepsy）即俗稱的“羊角風(fēng)”或“羊癲風(fēng)”，是大腦神經(jīng)元突發(fā)性異常放電，導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。癲癇發(fā)作類型可分為：全面性發(fā)作、部分性發(fā)作、繼發(fā)全面性發(fā)作。由于癲癇發(fā)病的突然性，患者容易出現(xiàn)摔傷、燙傷、溺水、交通事故等。癲癇患者會出現(xiàn)記憶障礙、智力下降、性格改變等嚴(yán)重的認(rèn)知障礙。除此以外，癲癇的危害還體現(xiàn)在精神上的危害，癲癇患者經(jīng)常被社會歧視，患者精神壓抑，身心健康受到極大的影響。鑒于癲癇病癥病發(fā)的普遍性和危害性，對癲癇的致病機(jī)理、臨床檢測和病灶定位成為研究的重點(diǎn)和難點(diǎn)。

    癲癇疾病的診斷主要通過臨床病史和腦電圖檢查，棘波作為癲癇特征波，其檢測對判斷是否患有癲癇具有決定意義。近年來，隨著信號分析處理和計(jì)算機(jī)輔助智能診斷技術(shù)的迅速發(fā)展，研究主要有兩個方向：(1)用信號分析的方法直接對腦電進(jìn)行分析，找到腦電信號某些參數(shù)的差異來進(jìn)行預(yù)測，例如，TIBDEWAL M N^[1]等人基于方差和多重熵對癲癇/非癲癇腦電信號進(jìn)行統(tǒng)計(jì)分析；朱東升^[2]和徐亞寧^[3]通過對患者發(fā)病信息進(jìn)行基于傅里葉變換的功率譜分析，與正常腦電信號進(jìn)行對比得到癲癇發(fā)作的腦電特征，但由于腦電信號屬于多組分非平穩(wěn)偽隨機(jī)信號，傅里葉變換與其適應(yīng)性不好，其預(yù)測準(zhǔn)確率不高；王鵬翔^[4]等人采用基于小波變換的癲癇腦電特征波識別算法，實(shí)現(xiàn)對信號的分析。(2)用信號分析的方法與機(jī)器學(xué)習(xí)分類算法相結(jié)合來對癲癇信號進(jìn)行處理，例如，BEHNAM M^[5]等設(shè)計(jì)了一種基于癲癇模極大值模式的癲癇發(fā)作特異性小波，其對捕獲的腦電信號進(jìn)行建模，通過AdaBoost分類器實(shí)現(xiàn)癲癇發(fā)作的檢測與分類；PATIDAR S^[6]等采用基于TQWT的Kraskov熵的分析方法對癲癇腦電信號進(jìn)行單特征檢測；趙建林^[7]等和韓敏^[8]通過小波分析與支持向量機(jī)SVM分類器對正常腦電與癲癇腦電進(jìn)行分類；李牧瀟^[9]提取所需腦電信號的樣本熵作為特征向量，再運(yùn)用極限學(xué)習(xí)機(jī)算法進(jìn)行分類識別，但SVM和極限學(xué)習(xí)機(jī)分類算法對于非線性分類沒有一個通用的解決方案，故其準(zhǔn)確率也不是很高。

    基于以上問題，本文提出了基于小波變換和模極大值算法的癲癇檢測方法。

1 癲癇特征波提取

1.1 腦電信號的癲癇特征波

    人體腦電信號是腦神經(jīng)細(xì)胞電生理活動在大腦皮層或頭皮表面的總體反映。腦電信號中包含了大量的生理與疾病信息，臨床中將腦電信號根據(jù)不同的頻率主要分為4個頻帶，分別為慢波、α波、快波及中快波。棘波和尖波是根據(jù)其波形相比信號的其他部分顯著尖銳的特征分類的，其有別于形成其他的背景活動的波和節(jié)律。

    典型的癲癇特征波即由棘波、尖波和慢波組成，常見的有棘波、尖波、棘-慢復(fù)合波和尖慢復(fù)合波等，如圖1所示。

    其中，棘波是一種陣發(fā)性的異常腦電圖的基本形式，一般時限為20～70 ms，其波形較為陡峭，一般處于負(fù)相波形，部分處于正相波形，有時還會處于雙相或者三相波形。棘慢復(fù)合波是接著棘波出現(xiàn)的時長為200～500 ms的慢波。而尖波與棘波類似,但時長比棘波更長，兩者都是負(fù)相和雙相性，一般也有三相性，尤其是高波幅的正相波較多。尖慢復(fù)合波為慢波接著尖波出現(xiàn)形成的復(fù)合波，尖波時長多為80～120 ms，接著尖波的慢波時長大約為500～1 000 ms^[10]。

    癲癇腦電信號含有顯著的棘波特征波，故對棘波進(jìn)行識別，從而實(shí)現(xiàn)癲癇腦電信號的特征提取的方法具有可行性和可靠性。本研究通過小波變換和模極大值檢測對棘波進(jìn)行識別。

1.2 特征提取

    小波分析是一種非常有效的信號時頻分析方法^[11]，它將時域的一維信號變換至?xí)r間/尺度的二維空間，對于處理時變信號具有獨(dú)特的優(yōu)越性。

    連續(xù)小波變換過程（CWT）^[12]可以由下式表示：

    當(dāng)變換尺度a較小時^[3]，中心頻率較高，帶寬較寬；反之，a較大時，中心頻率較低，帶寬較窄。而棘波是腦電波中相對高頻的成分，其信息更有可能出現(xiàn)在小尺度層次上。

    模極大值算法是一種基于小波分析的算法，在小波分析的基礎(chǔ)上對信號進(jìn)行奇異點(diǎn)判斷與分析。本文采用細(xì)化算法計(jì)算模極大值列^[11]。細(xì)化算法函數(shù)的表達(dá)式為：

    結(jié)合小波變換與模極大值法，選取小尺度的小波模極大值系數(shù)WTMM_a，b作為特征波。通過分析各個尺度小波模極大值系數(shù)WTMM_a，b的變化情況，可以篩選出特征波中的棘波嫌疑點(diǎn)，將棘波與低頻分量分離。

2 實(shí)驗(yàn)分析

    為驗(yàn)證算法的有效性，本實(shí)驗(yàn)使用的癲癇腦電數(shù)據(jù)來源于美國權(quán)威的CHB-MIT Scalp EEG Database^[13-14]。該數(shù)據(jù)庫記錄癲癇患者發(fā)作期的腦電圖，記錄共23個文件，來自22名受試者（5名男性，年齡在3～22歲; 17名女性，年齡在1.5～19歲）。所有信號都以256 Hz采樣率、16位分辨率進(jìn)行采樣。此外，該數(shù)據(jù)記錄已進(jìn)行了初步處理，去除環(huán)境干擾及眼跡干擾等噪聲，并且已經(jīng)標(biāo)明了發(fā)作期的時間節(jié)點(diǎn)，可直接應(yīng)用于癲癇數(shù)據(jù)分析。

    根據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，癲癇致病灶位置最常見于電極網(wǎng)絡(luò)的額極和前顳、中顳、后顳區(qū)域，對應(yīng)的電極為Fp1、Fp2、F7、F8、T3、T4、T5、T6（采用國際10-20系統(tǒng)的EEG電極位置）共8個電極，故在實(shí)驗(yàn)中采用這8個電極中的數(shù)據(jù)進(jìn)行特征波提取。下述實(shí)驗(yàn)以Fp1通道為例。

    首先將數(shù)據(jù)庫中的原始腦電信號分割成數(shù)據(jù)長度為1 024個數(shù)據(jù)點(diǎn)的區(qū)段,對其進(jìn)行小波分析，分解級數(shù)為10級，抽樣率為256，迭代次數(shù)為6。以db4小波為基小波，其母小波函數(shù)圖如圖2所示。其中橫坐標(biāo)為消失矩階數(shù)，無單位；縱坐標(biāo)為小波函數(shù)值，無單位。

    以病例Chb01/、001號記錄中Fp1通道的0.5s~4.5 s處共1 024個樣點(diǎn)為例進(jìn)行實(shí)驗(yàn)。小波分析后，以通道Fp1為例，部分層次的結(jié)果如圖3所示，橫坐標(biāo)n為數(shù)據(jù)點(diǎn)點(diǎn)數(shù)。

    再對小波變換結(jié)果矩陣中每個小波細(xì)節(jié)d1~d10層次按2中步驟進(jìn)行模極大值計(jì)算，由式(5)檢驗(yàn)奇異點(diǎn)，得到模極大值列在部分層次上的結(jié)果如圖4所示。

    進(jìn)一步對奇異點(diǎn)模極大值列頻帶間的變化趨勢進(jìn)行統(tǒng)計(jì)分析，以篩選出懷疑棘波值點(diǎn)。識別算法如下：

    (1)設(shè)定一閾值ε>0，對于1≤a≤5、任意點(diǎn)數(shù)1≤x≤1 024，若有|WTMM(a，x)|<ε，則WTMM(a，x)=0；

    (2)1≤a≤6，令WTMM(a，1)=WTMM(a，1024)=0，降低由于區(qū)段邊緣包含不完整特征波而造成的誤判的錯誤率；

    (3)由于棘波的時長多為20~80 ms之間，棘波懷疑點(diǎn)的大量信息更有可能出現(xiàn)在d1、d2、d3 3個層次上，故取特征波為：

    由此得到擬合曲面，圖5為棘波嫌疑點(diǎn)的擬合曲面，圖6為非棘波嫌疑點(diǎn)的擬合曲面。

    最后通過上述部分對特征值波列的篩選，得到檢測出的棘波值列，提取出的棘波值列與原始腦電信號的對比如圖7所示。圖7(a)為經(jīng)該檢測算法提取到的棘波值列，圖7(b)為原始腦電信號。

    對19例癲癇患者腦電棘波進(jìn)行檢測，根據(jù)患者被測時的狀態(tài)分為發(fā)作期和發(fā)作間期兩個數(shù)據(jù)集，得到了高的棘波識別率，結(jié)果如表1所示。

    由以上結(jié)果可以看出，小波變換-模極大值檢測法可以有效地對棘波個數(shù)進(jìn)行檢測。對不同的腦電信號，由于個體差異、干擾等因素，準(zhǔn)確率不同。與專家檢測的棘波個數(shù)相對比，其準(zhǔn)確率在19例樣本中最低也可達(dá)92.5%。發(fā)作期和發(fā)作間期兩個數(shù)據(jù)集檢測到的棘波個數(shù)的分布如圖8所示。采用統(tǒng)計(jì)學(xué)原理對棘波個數(shù)數(shù)據(jù)進(jìn)行單方差分析[15]，結(jié)果如圖9所示。

    通過觀察棘波個數(shù)分布圖和單方差分析圖，可得出以下結(jié)論：對于固定長度的原始信號，本系統(tǒng)檢測到的癲癇發(fā)作期及發(fā)作間期的腦電信號棘波個數(shù)有明顯的差別，發(fā)作期的棘波個數(shù)比例明顯高于發(fā)作間期，這印證了本檢測方法可以作為判斷癲癇是否發(fā)作的依據(jù)。

3 結(jié)論

    本研究將小波變換和模極大值算法結(jié)合適應(yīng)了腦電信號非平穩(wěn)、多組分的特征，研究了多種特征參數(shù)對腦電癲癇信號的影響，并運(yùn)用了細(xì)化函數(shù)這一簡單、高效、高精度的算法。通過分析和實(shí)驗(yàn)驗(yàn)證采用小波分析結(jié)合模極大值算法對腦電信號進(jìn)行分析時，診斷準(zhǔn)確率在92.5%以上，效果理想。

    本研究可以在臨床上幫助醫(yī)生更好地對癲癇患者進(jìn)行診斷。下一步工作是對癲癇病灶進(jìn)行定位，并盡可能實(shí)現(xiàn)對癲癇病發(fā)作的預(yù)測。

參考文獻(xiàn)

[1] TIBDEWAL M N，DEY H R，MAHADEVAPPA M，et al.Multiple entropies performance measure for detection and localization of multi-channel epileptic EEG[J].Biomedical Signal Processing and Control，2017，38：158-167.

[2] 朱東升.癲癇信號分析及病灶定位[D].秦皇島：燕山大學(xué)，2016.

[3] 徐亞寧.基于小波變換的EEG信號癲癇棘波檢測[J].桂林電子科技大學(xué)學(xué)報(bào)，2008，28(3)：97-98.

[4] 王鵬翔，張兆基.小波變換下的腦電信號癲癇特征波識別算法研究[J].信息與電腦(理論版)，2017(17)：63-65.

[5] BEHNAM M，POURGHASSEM H.Seizure-specific wavelet(Seizlet) design for epileptic seizure detection using CorrEntropy ellipse features based on seizure modulus maximas patterns[J].Journal of Neuroscience Methods，2017，267：84-107.

[6] PATIDAR S，PANIGRAHI T.Detection of epileptic seizure using Kraskov entropy applied on tunable-Q wavelet transform of EEG signals[J].Biomedical Signal Processing and Control，2017，34：74-80.

[7] 趙建林，周衛(wèi)東，劉凱，等.基于SVM和小波分析的腦電信號分類方法[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28(5)：114-116.

[8] 韓敏，孫卓然.基于小波變換和AdaBoost極限學(xué)習(xí)機(jī)的癲癇腦電信號分類[J].計(jì)算機(jī)應(yīng)用，2015，35(9)：2701-2705，2709.

[9] 李牧瀟.癲癇腦電信號自動檢測的研究[D].鄭州：鄭州大學(xué)，2014.

[10] 汪春梅.癲癇腦電信號特征提取與自動檢測方法研究[D].上海：華東理工大學(xué)，2011.

[11] 文婉瀅，李智.基于小波區(qū)域閾值去噪的MWC優(yōu)化還原算法[J].電子技術(shù)應(yīng)用，2018，44(11)：64-67，71.

[12] PUCKOVS A，MATVEJEVS A.Wavelet transform modulus maxima approach for world stock index multifractal analysis[J].Information Technology and Management Science，2012，15(1)：76-86.

[13] GOLDBERGER A L，AMARAL L A N，GLASS L，et al.PhysioBank，PhysioToolkit，and PhysioNet：components of a new research resource for complex physiologic signals[J].Circulation，2018，101(23)：e215-e220.

[14] SHOEB A H.Application of machine learning to epileptic seizure onset detection and treatment[D].PhD Thesis, Massachusetts Institute of Technology，September，2009.

[15] 劉雪峰，馬州生，趙艷陽，等.基于MSE-PCA的腦電睡眠分期方法研究[J].電子技術(shù)應(yīng)用，2017，43(9)：22-24，29.

作者信息:

劉光達(dá)，王依萌，胡秋月，馬孟澤，蔡  靖

(吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，吉林 長春130061)