熊 馨，罗剑花，武瑞锋，林 岚，贺建峰∗
(1.昆明理工大学信息工程与自动化学院，云南 昆明 650500；
2.昆明医科大学第一附属医院神经内科，云南 昆明 650032)
大脑神经元异常放电可导致癫痫发作，通常持续几秒到几十秒，期间会出现意识模糊、认知缺陷及精神障碍[1]。有研究发现超过1 亿人患有癫痫疾病[2]，给人们带来极大困扰。因此准确诊断癫痫发作至关重要。
然而，癫痫发作检测仍是一个具有挑战性的研究课题。许多方法已被用于分析癫痫脑电(Electroencephalography，EEG)信号，机器学习即为其中一种[3]，通常需要大量数据进行训练，且难以消除噪声波动对EEG 数据的影响，对此，Lu 等运用非线性方法提取短时间EEG 信号特征，区分了癫痫和非癫痫信号[4]。此外，时频分析法在癫痫发作检测中也得到广泛应用[5]。上述这些方法提取了高时间分辨率的癫痫EEG 信号特征，但忽略了EEG 通道的空间位置信息。
在本文的研究中，运用EEG 微状态分析法进行癫痫发作检测。不仅计算了传统的微状态参数特征，还计算了Hurst 指数和动态特征(自相关函数(Autocorrelation Functions，ACF)、时滞互信息(Autoinformation Function，AIF))，分别观察传统特征、Hurst 指数、动态特征和三种特征融合的支持向量机(Support Vector Machine，SVM)分类准确率。
1.1 数据来源和预处理
实验使用的11 例癫痫患者(7 名男性4 名女性)数据来源于云南省第一人民医院，其中7 例为全面强直－阵挛性发作癫痫，3 例为复杂部分性发作继发全面发作，1 例为癫痫样发作，每个被试癫痫发作时长为60 s。共33 个通道，其中22 个EEG 通道，采样率为256 Hz。对照组11 名健康人(9 名男性2 名女性)来自兰州大学第二附属医院，共128 个EEG 通道，采样率为250 Hz[13]。
运用MATLAB R2019b 环境下的EEGLAB 工具箱进行预处理。选取癫痫患者癫痫发作、未发作和对照组的EEG 通道部分，定义通道位置，并删除多余电极，癫痫患者和对照组选择21 个EEG 通道:FP1、FPZ、FP2、F7、F8、F3、FZ、F4、T3、T4、C3、C4、T5、T6、P3、P4、PZ、O1、O2、A1、A2。使用FIR 滤波器在1 Hz～40 Hz 进行带通滤波，癫痫患者降采样率为250 Hz，并进行平均参考。将预处理后的数据分为5 s 一段，总共132 段数据。
1.2 EEG 微状态分析
多通道脑电信号可以看作是一系列的瞬时电位地形图，这些电位地形图在一定时间内保持准稳定，然后迅速转变为新的地形图再次保持稳定，在这个时间段内，地形图的强度和极性可能会发生变化，但地形图的总体拓扑结构保持稳定，这些稳定结构反映了人脑信息加工的基本过程，是人类意识的重要组成部分，称为EEG 微状态[14]。EEG 微状态分析主要包括三个步骤:计算全局场功率(Global Field Power，GFP)、聚类和特征计算。
选取每个被试的多通道EEG 信号。首先计算EEG 数据的GFP。GFP 反映了给定时间内电极之间的电位变化程度，GFP 曲线的局部最大值处具有最强的信号强度和最高的信噪比，且电位分布保持稳定状态[15]。因此，选取GFP 峰值点处的地形图来代表其周围的地形图进行分析，是降低计算量和提高微状态信噪比的有效方法，GFP 峰值对应的电位分布地形图称为“原始电位地形图”。GFP 计算公式如下:
式中:N为电极数，ui(t)表示第i个电极在t时刻的电压值，表示所有电极的平均电压。
然后，进行微状态聚类。本文选择改进的K均值聚类算法，该算法首先随机选择K个初始簇中心点，计算每个GFP 峰值的EEG 信号和K个簇中心点的相关系数，相关系数最大的归为一类，将所有的数据点归类后，计算新的簇中心点，再计算相关系数，重复上述步骤直到聚类结束[16]。与传统K均值不同的是新的簇中心点只从样本点中选取，且原始微状态地形图的极性不变(忽略极性)，其次，改进的K均值模型模拟了每个数据点的微观状态强度[17]。为了与文献[8－12]进行比较，将聚类数目设置为4。改进的K均值聚类算法与生成模型一致，计算公式如下:
未来的日子里，四川美丰将继续牢固树立“以市场为导向、以客户为中心”的经营理念，抓好产品质量，打造肥中精品；
全力拓展市场，打造领军品牌；
深化合作关系，实现共赢共享，为客户朋友提供最好的产品、最优的政策和最佳的服务。
式中:A为K簇的原型图，zn为第n个EEG 地形图的微观状态强度，ξn为第n个EEG 地形图的噪声。由于每个时间点只能激活一个微状态，模型可表示为:
xn为第n个EEG 地形图样本。ak表示随机选取k个微状态的原始地形图，dkn为第n个EEG 地形图和微状态k之间的距离，ln表示n个EEG 地形图的微状态标签。
最后，计算微状态特征。将聚类得到的4 种微状态配对到连续的EEG 信号上，得到4 种微状态交替出现的时间序列，即微状态序列。计算传统特征(平均持续时间、出现频率、覆盖率和转移概率)。平均持续时间表示整个时间段中连续出现的次数。出现频率表示指定微状态在整个时间段内出现的次数。覆盖率表示整个时间段中出现特定微状态的时间段。转移概率为指定微状态转换到其他微状态的概率。
衡量微状态序列的平稳性，计算序列的Hurst指数和动态特征(ACF、AIF)。其中平稳性测试[18]、ACF[19]和AIF[20]的计算公式如下:
i为序列长度，j为通道数，k表示序列被分为多少个块。yt和yt－k为t和t－k个时间点的微状态序列。AIF 为随机序列Xt和Xt＋k之间的互信息。
2.1 微状态地形图
癫痫发作、未发作和健康对照组的微状态地形图如图1(a)所示，微状态A、B、C、D 与静息态地形图的结果相匹配[21]。图2(b)比较了癫痫发作和未发作、癫痫发作和健康人、癫痫未发作和健康人微状态A、B、C、D 的GFP 峰值，癫痫发作的GFP 峰值多于未发作和健康人的GFP 峰值，癫痫未发作B、C、D的GFP 峰值与健康人相似。单因素方差分析结果显示癫痫发作和未发作、癫痫发作和健康人、癫痫未发作和健康人的GFP 峰值存在差异(P＝3.249e－04、P＝3.317e－04、P＝0.004，P<0.05)，FDR 校正的配对T检验P值小于0.05(P＝9.891e－10、P＝1.810e－13、P＝4.515e－10)。
图1 癫痫发作、癫痫未发作和健康对照组的微状态地形图和GFP 峰值
2.2 微状态参数(传统特征)
癫痫发作、未发作和健康对照组的微状态参数如图2 所示，癫痫发作时微状态C 的出现频率最高，微状态D 的平均持续时间、覆盖率有最高值，转移到C、D 的转移概率较高(如:A－C、B－C、C－D、DC)。对参数结果进行统计分析，单因素方差分析结果显示癫痫发作和未发作、癫痫发作和健康人、癫痫未发作和健康人的微状态参数(出现频率、平均持续时间、覆盖率、转移概率)有显著差异(P＝0、P＝1.914e－ 05、P＝0、P＝0；
P＝7.405e－ 51、P＝1.929e－05、P＝0、P＝0)；
P＝1.187e－278、P＝2.203e－05、P＝0、P＝0。P<0.05)。对有显著差异的参数，进行配对T检验，癫痫发作和癫痫未发作出现频率、覆盖率在微状态A、B、C、D 有差异，平均持续时间在B、C、D 有差异，转移概率除A－B 均有差异。癫痫发作和健康人出现频率在A、B、D 有差异，持续时间在D 有差异，覆盖率在A、D 有差异，转移概率在A－C、B－A、B－D、C－A、C－D、D－A、D－C 有差异。癫痫未发作和健康人出现频率在A、B、C 有差异，持续时间在B、C、D 有差异，覆盖率在A、B、C、D 有差异，转移概率除A－B、C－D、D－C 均有差异。微状态参数FDR 校正后P值均小于0.05(癫痫发作和未发作:P＝1.860e－05、P＝1.771e－06、P＝0.003、P＝0.03；
癫痫发作和健康对照组:P＝2.215e－8、P＝9.432e－06、P＝0.006、P＝0.02；
癫痫未发作和健康对照组:P＝0.009、P＝0.008、P＝0.04、P＝0.005)。
图2 癫痫发作、未发作和健康对照组的微状态参数
2.3 Hurst 指数、ACF 和AIF
分析EEG 微状态序列的特征(Hurst 指数、ACF、AIF)时，需要衡量序列的稳定性，如果序列不稳定，一致性要求将会破坏，导致预测失效[22]。实验对癫痫发作、未发作和健康人的132 段数据进行平稳性测试。图3 中癫痫发作、癫痫未发作和健康人的P值均大于0.01，微状态序列均具有平稳性。
图3 癫痫发作、未发作和健康对照组微状态序列的平稳性检验和Hurst 指数、ACF、AIF 结果
在确定序列的平稳性后，计算Hurst 指数、ACF和AIF。Hurst 指数有132×1 个特征。ACF 和AIF分别有132×51 个和132×100 个特征。癫痫发作时Hurst 指数均大于癫痫未发作和健康人的Hurst 指数。配对T 检验结果有显著差异(癫痫发作和未发作:P＝4.085e－04，癫痫发作和健康人:P＝1.143e－07，癫痫未发作和健康人:P＝1.119e－04。P<0.05)。ACF 和AIF 从动态角度提供时间序列信息，癫痫发作ACF 具有最小值，未发作ACF、AIF 有最大值。对癫痫发作、癫痫未发作和健康人的ACF 和AIF 特征进行配对T检验结果存在显著差异(癫痫发作和未发作:P＿ACF＝0.01，P＿AIF ＝0.002；
癫痫发作和健康人:P＿ACF ＝0.02，P＿AIF ＝0.02；
癫痫未发作和健康人:P＿ACF＝0，P＿AIF＝0)。
2.4 SVM 分类结果
曾有研究表明，alpha 频带作为EEG 的主频，常被用于EEG 微状态分析[23]，Musso 等[24]发现宽频带(1 Hz～30 Hz)微状态几乎与alpha 频带的微状态相同，Britz 等[25]发现4 种EEG 微状态与特定频带之间的关联没有结论性结果。为了进一步研究不同频带下EEG 微状态，将1 Hz～40 Hz 划分为delta(1 Hz～4 Hz)、theta(4 Hz～8 Hz)、alpha(8 Hz～13 Hz)、beta(14 Hz～ 30 Hz)和gamma(30 Hz～40 Hz)五个子频带。计算不同子频带EEG 微状态的传统特征、Hurts 指数和动态特征。放入SVM 进行分类。分别观察1 Hz～40 Hz 频带和其他5 个子频带EEG 微状态特征的分类准确率。
表1 为癫痫发作和健康人的分类结果，在1 Hz～40 Hz 频段，出现频率、平均持续时间、覆盖率、转移概率的准确率为81.5%、74.1%、81.5%、81.5%，传统特征准确率(85.2%)高于单一特征准确率。动态特征准确率(96.3%)高于ACF 和AIF 的准确率(ACF:77.8%，AIF:92.6%)。Hurst 指数准确率为88.9%，与传统特征和动态特征融合的准确率为92.6%、96.3%，高于Hurst 指数的准确率。传统特征、Hurst指数、动态特征融合的准确率(99.9%)高于单一特征和两种特征融合的准确率。且1 Hz～40 Hz 频段多特征融合的准确率高于其他频段。
表1 癫痫发作和健康对照组的SVM 分类结果 单位:%
表2 为癫痫发作和癫痫未发作的分类结果，在1 Hz～40 Hz 频段传统特征、动态特征、Hurst 指数的准确率为92.6%、92.6%、74.1%。三种特征融合的准确率为96.3%，高于单一特征和两种特征融合的准确率。多特征融合准确率在1 Hz～40 Hz 频段最高。由于delta 三种特征融合的准确率较其他频带低(63%)，对此，计算4 Hz～40 Hz 的微状态特征并用SVM 进行分类，三种特征融合的准确率为92.6%。
表2 癫痫发作和癫痫未发作的SVM 分类结果 单位:%
表3 为癫痫未发作和健康对照组的SVM 分类结果。传统特征、Hurst 指数、动态特征的分类准确率为96.2%、51.9%、77.8%。三种特征融合的准确率为96.3%，高于单一特征和两种特征融合的准确率。1 Hz～40 Hz 频段三种特征融合的准确率高于其他频带的准确率。
表3 癫痫未发作和健康对照组的SVM 分类结果 单位:%
癫痫发作和健康对照组的识别率高于癫痫发作和癫痫未发作、癫痫未发作和健康对照组的识别率，说明癫痫患者不发病时脑电不完全是正常脑电，也会出现异常。综上所述，癫痫EEG 在宽频带多特征融合的分类准确率高于其他频带多特征融合的分类准确率。
比较了癫痫发作、癫痫未发作和健康对照组的GFP 峰值和微状态地形图。发现癫痫发作的GFP峰值高于癫痫未发作和健康对照组的GFP 峰值(图1(b)结果)，曾有研究表明，高GFP 微状态可分离性更好[26]，这一结果对区分癫痫发作、癫痫未发作和正常人具有重要作用。此外，癫痫发作、癫痫未发作和健康人的微状态地形图不同，如微状态D(图1(a)结果)，很可能是GFP 峰值的差异造成微状态地形图不同[27]。
比较了癫痫发作、癫痫未发作和健康对照组的微状态参数。与癫痫未发作相比，癫痫发作时微状态A 出现频率增高，微状态D 的平均持续时间、覆盖率具有最高值，转移到微状态C、D 的概率较高(如A－C、C－D、D－C)(图2 结果)。根据EEG 微状态的功能，微状态C 与认知功能相关，微状态D 与注意力网络相关[21]，很可能与癫痫发作时大脑意识模糊、认知能力和注意力下降有关[1]。与健康对照组相比，癫痫患者发病时出现频率低于健康对照组，微状态D 平均持续时间延长，微状态C、D 的覆盖率增加，从C－D、D－C 的转移概率显著高于健康人。从参数上能反映癫痫发作、癫痫未发作和健康人之间的区别。微状态参数可为癫痫发作检测提供帮助。
比较了癫痫发作、癫痫未发作和健康对照组的Hurst 指数和时间动态特征(ACF 和AIF)。癫痫发作、癫痫未发作和健康对照组的Hurst 指数均大于0.5，微状态序列具有长时间依赖性，且癫痫发作的Hurst 指数均大于癫痫未发作和健康对照组的Hurst指数，表明癫痫患者发病时对癫痫发作的记忆性更强[10]，为预测癫痫发作提供可能。且SVM 分类准确率均高于70%，能区分癫痫发作、癫痫未发作和健康对照组，为癫痫发作检测提供新的参考指标。与Hurst 指数不同，ACF 和AIF 从动态角度研究微状态序列的长时间依赖性，与Hurst 指数相比，动态特征和传统特征的分类效果较好。
宽频带EEG 多特征融合能更准确识别癫痫发作。SVM 分类结果表明，运用微状态传统特征、Hurst 指数和时间动态特征对癫痫发作检测达到了较好的效果。Raj 等[11]对癫痫患者和健康对照组的微状态参数结果进行分类，准确率为76.1%，本实验癫痫患者和健康对照组微状态参数的分类准确率为85.2%。Ahmadi 等[12]对癫痫和癫痫未发作的参数结果进行分类，准确率为80%，本实验分类准确率达到92.6%(表2 结果)，比Raj、Ahmadi 的准确率高。此外，实验加入了微状态序列的Hurst 指数和时间动态特征，三种特征融合的准确率达到99.9%、96.3%、96.3%，说明多参数融合的准确率高于单一特征的准确率，能捕捉到更多的癫痫EEG 信息。不同频带的分类结果表明，癫痫EEG 在宽频带多特征融合中具有较高的准确率。通过实验，发现癫痫EEG 微状态与频带之间是有关联的。
文章运用微状态分析法对癫痫脑电信号进行识别研究。癫痫发作和癫痫未发作、癫痫发作和健康人、癫痫未发作和健康人在1 Hz～40 Hz 频段三种特征融合(传统特征、Hurst 指数、动态特征)的分类准确率分别为99.9%、96.3%、96.3%，均高于其他频带的准确率。微状态分析法能准确识别癫痫EEG 信号，且宽频带多参数特征融合能捕捉到更多的癫痫EEG 信息，有效提高分类准确率。
猜你喜欢健康人癫痫准确率基于16S rRNA测序比较探讨气虚证患者与健康人的肠道菌群的结构特征世界科学技术-中医药现代化(2021年5期)2021-11-05恶性梗阻性黄疸患者与健康人粪菌群的对比昆明医科大学学报(2021年5期)2021-07-22乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨医学食疗与健康(2021年27期)2021-05-132015—2017 年宁夏各天气预报参考产品质量检验分析农业科技与信息(2021年2期)2021-03-27高速公路车牌识别标识站准确率验证法中国交通信息化(2018年5期)2018-08-21玩电脑游戏易引发癫痫吗？饮食科学(2017年5期)2017-05-20癫痫共患ADHD儿童的生态学执行功能安徽医科大学学报(2015年9期)2015-12-16健康人体内伐昔洛韦缓释片单次给药的药代动力学研究中国药业(2014年20期)2014-05-17中医针药治疗脑卒中后癫痫临床观察中国中医药现代远程教育(2014年20期)2014-03-01