基于EEMD和GA-SVM的精神分裂癥MEG識別

張學軍，朱麗敏，黃麗亞，成謝鋒

(1.南京郵電大學 電子科學與工程學院，江蘇 南京 210003；2.江蘇省射頻集成與微組裝工程實驗室，江蘇 南京 210003)

基于EEMD和GA-SVM的精神分裂癥MEG識別

張學軍1,2，朱麗敏1，黃麗亞1,2，成謝鋒1,2

(1.南京郵電大學 電子科學與工程學院，江蘇 南京 210003；2.江蘇省射頻集成與微組裝工程實驗室，江蘇 南京 210003)

為了研究腦磁圖(MEG)信號在識別精神分裂癥方面的應用，文中提出了一種基于總體經驗模態分解(EEMD)和希爾伯特(Hilbert)變換的識別方法。在對正常人和精神分裂癥患者的腦磁信號進行預處理的基礎上，通過EEMD方法將信號分解為一系列的固有模態函數(IMFs)，然后使用Hilbert變換求取固有模態函數的瞬時頻率和振幅，由希爾伯特-黃幅度譜(HHS)和邊際譜(MS)可以發現兩類信號的差異；接著選取與原信號相關性較高的前9個IMF的瞬時頻率和振幅歸一化后計算Hilbert加權頻率；最后，利用經遺傳算法(GA)優化的支持向量機(SVM)分類器進行分類，并與k近鄰(KNN)分類器的結果進行對比，得到的分類精確度分別為95%和78.33%，驗證了所提識別方法的有效性。

腦磁信號；總體經驗模態分解；希爾伯特變換；遺傳算法；支持向量機；k近鄰

1 概 述

腦磁圖(Magnetoencephalography,MEG)是在腦電圖(Electroencephalograph,EEG)之后發展起來的又一項腦功能檢測技術。MEG對腦部損傷的定位診斷比EEG更為準確，它通過超導量子干涉儀SQUID對人腦進行非侵入性的測量，得到由腦內神經活動產生的頭外微弱磁場，能夠反映出毫秒時間范圍內的神經活動變化[1]。

精神分裂癥(Schizophrenia)是一種嚴重的精神病癥，多在青壯年時期緩慢或亞急性起病，其特征包括幻覺、妄想、偏執狂、認知損害、社交退縮、自我忽視以及失去動力及主動性等。將MEG用于精神分裂癥患者的研究，不但可以發現患者磁反應波潛伏期及波幅等異常，更可以探測腦磁源信號的位置變化，且不受顱骨及軟組織影響，有助于更好地了解該疾病。

MEG信號是一種時變的非平穩信號，對于這類信號的分析，希爾伯特-黃變換(Hilbert-Huang Transform,HHT)[2-4]是一種更具優越性的有效時頻分析方法。該方法通過經驗模態分解(Empirical Mode Decomposition,EMD)[5]將非平穩信號自適應分解成一系列具有物理意義的窄帶信號，即固有模態函數(Intrinsic Mode Function,IMF)，并對各層IMF進行Hilbert變換，從而提取瞬時幅度、瞬時相位和頻率等信息。同時，依據信號幅度在整個頻段上隨時間和瞬時頻率的變化可以定義希爾伯特—黃幅度(HHS)，在時間進行積分，則可以得到邊際譜(MS)[6]。因此，HHT在時域、頻域同時具有很高的分辨率。為了解決EMD存在的模態混疊問題，之后又出現了它的改進算法：總體經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)[7-8]。EEMD的基本思路是將白噪聲加入到所需分解的信號中補充一些缺失的尺度，進而達到更好的分解結果。該算法有兩個重要參數：所加白噪聲幅值(系數k，通常為0.1～0.4)和分解次數M。關于如何選取白噪聲幅值并沒有公式可循，只有通過多次嘗試從而選出最合適的值[9]。文中的EEMD過程k值取0.4，M取100。

文中提出一種基于改進Hilbert-Huang變換和GA-SVM對MEG信號進行識別的方法。首先，利用EEMD將正常人和患者各9名受試者的MEG信號分解成一系列固有模態函數(IMFs)。然后，計算各IMF分量和原信號的相關系數，選出與原信號相關性較高的9個IMFs進行Hilbert變換，求得其Hilbert瞬時頻率和振幅，對頻率和振幅歸一化后計算Hilbert加權頻率。最后，運用遺傳算法[10](GeneticAlgorithms,GA)對支持向量機(SupportVectorMachine,SVM)模型參數進行優選[11]，將預測值的均方誤差作為遺傳尋優的適應度函數(適應度越小，代表預測值越精確)，從而尋找到最優的SVM模型用于分類。并將分類結果與k近鄰(K-NearestNeighbor,KNN)分類器的結果進行比較[12]。

2 數據處理及特征提取

文中使用的腦磁數據來源于美國NIMH(NationalInstituteMentalHealth)研究中心，腦磁數據采用具有275個通道的CTF-275腦磁測量儀采集[13]。實驗選取的數據包含兩類：正常人和精神分裂癥患者。各取9名受試者，MEG信號采樣頻率為600Hz，持續時間為240s。將275個通道分成10個區域，并在每個區域選擇1個典型的通道數據進行分析，這10個通道為：MLF14，MLC16，MLP57，MLT44，MRT44，MLO33，MRO33，MRF14，MRC16，MRP57。

2.1 數據預處理

在特征提取之前，先對兩類受試者的腦磁數據進行預處理，并將采樣頻率由600 Hz降至150 Hz，以降低數據存儲量,提高分類效率。

文中用于分析的腦磁數據是除去噪聲和偽跡后的，而實際采集時MEG信號會被許多噪聲和偽跡成分(眼電、心電偽跡，工頻干擾和電源線噪聲等)所污染。常見的用于去除噪聲和偽跡的方法有：獨立分量分析、主成分分析、自適應濾波和小波變換等。另外，在此基礎上又出現了一些改進方法，如結合主成分分析和獨立成分分析的去噪/偽跡方法、利用非線性參數并基于盲源分離的偽跡自動去除方法等。與常規方法相比，這些方法很大程度上改善了去噪/偽跡的性能。

2.2 特征選擇

特征選擇步驟如下：

步驟1：對每名受試者10個典型通道的MEG數據進行EEMD分解，得到每個信號的固有模態函數。文中EEMD分解僅取決于信號長度T，IMFs的數量可以根據式(1)得到：

n=log2(T)

(1)

因此，文中的EEMD可將信號分解成15個IMFs，其中第15個為殘留。

步驟2：相關性分析。分析各IMF分量和原信號的相關性，選出相關性較高的IMFs，并對其進行Hilbert變換，從而構造解析信號：

zs(t)=cs(t)+jys(t)=as(t)ejθs(t)

(2)

步驟3：從式(2)的解析信號分別提取出兩類信號的瞬時幅度和瞬時頻率。

步驟4：根據式(3)對瞬時幅度和頻率進行歸一化：

y=(x-MinValue)/(MaxValue-MinValue)

(3)

步驟5：利用式(4)求得對應的Hilbert加權頻率[14]：

(4)

步驟6：利用t檢驗進行比較，選出兩類信號中具有明顯性差異的特征。

2.3 分 類

文中運用經GA算法優化后的SVM分類器和KNN分類器對提取特征后的MEG數據進行分類。對于正常人和精神分裂癥患者兩類信號，各有90個樣本，選擇其中的前60個作為訓練集，剩余的30個作為測試集。因此，總的訓練集包含120個樣本，測試集則包含60個樣本。

3 實驗結果與分析

首先，在正常人和精神分裂癥患者中各選1名受試者，對MLP57通道的數據進行EEMD分解。圖1(a)顯示的是正常人EEMD分解后的IMFs(此處只顯示前9個)分量曲線；圖1(b)顯示的是精神分裂癥患者EEMD分解后的IMFs分量曲線。由圖1可以看出，在經過EEMD分解之后，各個IMFs分量包含了從高到低不同頻率段的成分。

為了將正常人和精神分裂癥患者進行區分，分別對兩名受試者的MEG信號進行HHT，得到其時頻圖(HHS)和邊際譜(MS)(取0～20 Hz頻率段)，如圖2和圖3所示。

圖2 正常人和精神分裂癥患者MEG信號時頻圖

圖3 正常人和精神分裂癥患者MEG信號邊際譜

從圖2和圖3中可以看出，正常人和精神分裂癥患者在頻率較低部分的差異相對于頻率較高部分更為明顯。為了更加精確地對正常人和患者進行區分，對每類受試者各90個通道的數據分別運用EEMD，計算得到的各IMFs分量和原信號的相關系數，以p<0.05為標準，經過整體計算，最終選擇各信號的前9個IMFs分量進行進一步分析。

接著，對選出的各IMFs分量以其Hilbert加權頻率作為特征，并利用t檢驗(t<0.01)進行比較，選出兩類信號中差異顯著的特征。最后選出了8個IMFs分量(第1,3,4,5,6,7,8,9個IMFs)的Hilbert加權頻率作為最終的特征向量(正常人和患者特征向量的維數都為90×8)，用于進一步的分類。從圖4中也可以看出，兩類信號第1,3,4,5,6,7,8,9個IMFs分量的加權頻率差異較大。

圖4 正常人和精神分裂癥患者IMFs箱線圖

在得到用于分類的兩類信號的特征向量之后，按上文所述分別設置其訓練集和測試集，運用兩種分類器對其進行分類。圖5(a)和(b)分別是利用兩種分類器得到的分類結果的分析情況，圖中1表示正常人，-1表示精神分裂癥患者。

圖5 兩種分類器識別正常人和精神分裂癥患者的結果

利用經遺傳算法優化的SVM分類器得到的最佳SVM參數c和g分別為96.906 9和99.584 3(見圖6)。分類精確度(分類精確度=正確分類的樣本數/總樣本數)為95%，利用k近鄰分類器(k=5)的分類精確度為78.33%。相比之下，利用GA-SVM分類器得到的結果更具優勢。從最后的分類結果發現，文中方法對于區分正常人和精神分裂癥患者來說是有效的。

圖6 GA算法優化SVM模型參數結果

4 結束語

文中利用EEMD和Hilbert變換對MEG數據進行處理，首先利用EEMD將MEG數據分解為一系列的IMFs分量，并對與原信號相關性較高的IMFs分量運用Hilbert變換計算瞬時頻率和瞬時振幅，進而求得Hilbert加權頻率作為特征，然后利用t檢驗得到最終的特征向量，最后利用GA優化的SVM和k近鄰分類器進行分類，得到分類結果。通過對正常人和精神分裂癥患者兩類數據進行分析，結果初步驗證了文中所述方法在區分正常人和精神分裂癥患者方面的有效性，有助于更好地利用MEG對該疾病進行研究。

[1] 胡 潔,胡 凈,黃定君.腦磁圖研究進展[J].生物醫學工程與臨床,2003,7(3):181-184.

[2] 李明愛,崔 燕,楊金福,等.基于HHT和CSSD的多域融合自適應腦電特征提取方法[J].電子學報,2013,41(12):2479-2486.

[3]PengaZK,TsePW,ChuFL.AcomparisonstudyofimprovedHilbert-Huangtransformandwavelettransform:applicationtofaultdiagnosisforrollingbearing[J].MechanicalSystemsandSignalProcessing,2005,19:974-988.

[4] 文 念,黃麗亞,于 涵,等.基于ICA和聚類的EEG腦源定位研究[J].計算機技術與發展,2015,25(5):228-232.

[5] 王 慧,劉正士,汪家慰,等.測試高分辨率ADC有效位數的HHT方法[J].電子學報,2009,37(9):2072-2076.

[6] 金海龍,張志慧.基于希爾伯特-黃變換和BP神經網絡的運動想象腦電研究[J].生物醫學工程學雜志,2013,30(2):249-253.

[7]AmiratY,BenbouzidM,WangT,etal.PerformanceanalysisofanEEMD-basedHilbertHuangtransformasabearingfailuredetectorinwindturbines[C]//Procofinternationalconferenceongreenenergy.[s.l.]:IEEE,2014:193-198.

[8]MariyappaN,SengottuvelS,ParasakthiC,etal.BaselinedriftremovalanddenoisingofMCGdatausingEEMD:roleofnoiseamplitudeandthethresholdingeffect[J].MedicalEngineering&Physics,2014,36(10):1266-1276.

[9]LeiYG,HeZJ,ZiY.ApplicationoftheEEMDmethodtorotorfaultdiagnosisofrotatingmachinery[J].MechanicalSystemandSignalProcessing,2009,23(4):1327-1338.

[10] 袁 玲,楊幫華,馬世偉.基于HHT和SVM的運動想象腦電識別[J].儀器儀表學報,2010,31(3):649-654.

[11]HieshMH,LamYYA,ShenCP,etal.ClassificationofschizophreniausingGeneticAlgorithm-SupportVectorMachine(GA-SVM)[C]//Procof35thannualinternationalconferenceofIEEEengineeringinmedicineandbiologysociety.[s.l.]:IEEE,2013:6047-6050.

[12] 葉 檸,孫宇舸,王 旭.基于共空間模式和K近鄰分類器的腦-機接口信號分類方法[J].東北大學學報:自然科學版,2009,30(8):1107-1110.

[13]ZhangXuejun,WangYute,WangYijun,etal.Ultra-slowfrequencybandsreflectingpotentialcoherencebetweenneocorticalbrainregions[J].Neuroscience,2015,289:71-84.

[14]vanZaenJ.AdaptivetrackingofEEGoscillations[J].JournalofNeuroscienceMethods,2010,186(1):97-106.

Recognition of Schizophrenic MEG Based on EEMD and GA-SVM

ZHANG Xue-jun1,2，ZHU Li-min1，HUANG Li-ya1,2，CHENG Xie-feng1,2

(1.School of Electronic Science and Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China;2.Jiangsu Province Engineering Lab of RF Integration & Micropackage,Nanjing 210003,China)

In order to study the significance of magnetoencephalography (MEG) in recognition of schizophrenia,a method based on Ensemble Empirical Mode Decomposition (EEMD) and Hilbert Transform (HT) is described in this paper.Firstly,on the basis of preprocessing of magnetoencephalography for the normal and schizophrenia,EEMD is used to decompose signals into a series of intrinsic mode functions,then instantaneous frequency and amplitude of IMFs can be obtained by HT,and the differences can be found between two types of signals from the Hilbert spectrum and the marginal spectrum.Secondly,the instantaneous frequency and amplitude of the first 9 IMFs which have higher correlation with original signals is selected to calculate the Hilbert weighted frequency after they are normalized.Finally,Support Vector Machine (SVM) optimized by Genetic Algorithm (GA) is adopted for classification,and the results are compared with the K-Nearest Neighbor (KNN) classifier.The accuracy of classification obtained by the two methods are 95% and 78.33% respectively,which verifies the validity of this method roughly.

magnetoencephalography;EEMD;HT;GA;SVM;KNN

2015-10-16

2016-01-21

時間：2016-06-21

國家自然科學基金資助項目(61271334)

張學軍(1969-),男，博士,教授,研究方向為智能信息處理、認知網絡頻譜感知、無線射頻識別技術等；朱麗敏(1991-)，女，碩士研究生，研究方向為智能信息處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20160621.1701.016.html

R

A

1673-629X(2016)08-0166-05

10.3969/j.issn.1673-629X.2016.08.035