文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.190021
中文引用格式: 劉光達,王依萌,,胡秋月,,等. 基于小波變換和模極大值法的癲癇發(fā)作檢測與分析[J].電子技術(shù)應(yīng)用,2019,,45(4):74-77,,82.
英文引用格式: Liu Guangda,Wang Yimeng,,Hu Qiuyue,,et al. Detection and analysis of epileptic seizure based on wavelet transform and modulus maximum approach[J]. Application of Electronic Technique,2019,,45(4):74-77,,82.
0 引言
癲癇(epilepsy)即俗稱的“羊角風”或“羊癲風”,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、性格改變等嚴重的認知障礙。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,對癲癇的致病機理,、臨床檢測和病灶定位成為研究的重點和難點,。
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算機輔助智能診斷技術(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行分析,,找到腦電信號某些參數(shù)的差異來進行預(yù)測,例如,,TIBDEWAL M N[1]等人基于方差和多重熵對癲癇/非癲癇腦電信號進行統(tǒng)計分析,;朱東升[2]和徐亞寧[3]通過對患者發(fā)病信息進行基于傅里葉變換的功率譜分析,與正常腦電信號進行對比得到癲癇發(fā)作的腦電特征,,但由于腦電信號屬于多組分非平穩(wěn)偽隨機信號,,傅里葉變換與其適應(yīng)性不好,其預(yù)測準確率不高,;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,,實現(xiàn)對信號的分析。(2)用信號分析的方法與機器學(xué)習分類算法相結(jié)合來對癲癇信號進行處理,,例如,,BEHNAM M[5]等設(shè)計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行建模,,通過AdaBoost分類器實現(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SVM分類器對正常腦電與癲癇腦電進行分類,;李牧瀟[9]提取所需腦電信號的樣本熵作為特征向量,,再運用極限學(xué)習機算法進行分類識別,但SVM和極限學(xué)習機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,,故對棘波進行識別,,從而實現(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時間/尺度的二維空間,對于處理時變信號具有獨特的優(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)上對信號進行奇異點判斷與分析,。本文采用細化算法計算模極大值列[11]。細化算法函數(shù)的表達式為:
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)WTMMa,,b作為特征波。通過分析各個尺度小波模極大值系數(shù)WTMMa,,b的變化情況,,可以篩選出特征波中的棘波嫌疑點,將棘波與低頻分量分離,。
2 實驗分析
為驗證算法的有效性,,本實驗使用的癲癇腦電數(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位分辨率進行采樣,。此外,,該數(shù)據(jù)記錄已進行了初步處理,去除環(huán)境干擾及眼跡干擾等噪聲,,并且已經(jīng)標明了發(fā)作期的時間節(jié)點,,可直接應(yīng)用于癲癇數(shù)據(jù)分析。
根據(jù)統(tǒng)計數(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,,故在實驗中采用這8個電極中的數(shù)據(jù)進行特征波提取。下述實驗以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)點的區(qū)段,對其進行小波分析,,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,。其中橫坐標為消失矩階數(shù),,無單位;縱坐標為小波函數(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個樣點為例進行實驗,。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n為數(shù)據(jù)點點數(shù),。
再對小波變換結(jié)果矩陣中每個小波細節(jié)d1~d10層次按2中步驟進行模極大值計算,由式(5)檢驗奇異點,,得到模極大值列在部分層次上的結(jié)果如圖4所示,。
進一步對奇異點模極大值列頻帶間的變化趨勢進行統(tǒng)計分析,以篩選出懷疑棘波值點,。識別算法如下:
(1)設(shè)定一閾值ε>0,,對于1≤a≤5、任意點數(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為棘波嫌疑點的擬合曲面,,圖6為非棘波嫌疑點的擬合曲面,。
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)進行檢測,。對不同的腦電信號,,由于個體差異、干擾等因素,,準確率不同,。與專家檢測的棘波個數(shù)相對比,其準確率在19例樣本中最低也可達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)計學(xué)原理對棘波個數(shù)數(shù)據(jù)進行單方差分析[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,并運用了細化函數(shù)這一簡單,、高效,、高精度的算法。通過分析和實驗驗證采用小波分析結(jié)合模極大值算法對腦電信號進行分析時,,診斷準確率在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行診斷,。下一步工作是對癲癇病灶進行定位,,并盡可能實現(xiàn)對癲癇病發(fā)作的預(yù)測,。
參考文獻
[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,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].計算機應(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)習機的癲癇腦電信號分類[J].計算機應(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,,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)