基于腦電特征紋理與SVM分類的癲癇發作檢測研究

孫成法　徐志萍

摘要：癲癇發作診斷依靠人工檢測既耗時效率又低并影響檢測結果的準確性，自動檢測系統可以有效地幫助醫生加快檢測與診斷。本文采用了一維均勻局部二值模式腦電特征紋理技術與支持向量機分類器對癲癇腦電信號進行自動檢測識別。首先應用離散小波變換對原始腦電信號分解，然后在分解后的信號中提取一維均勻局部二值模式紋理特征。在提取的特征集中訓練學習支持向量機分類器并進行檢測識別。最后采用后處理多級融合技術對檢測結果進行處理以提高準確率。該算法在公共腦電數據集上測試，在基于片段的評估上獲取最高準確率為99.86%和平均敏感性為96.19%，并在基于事件的評估上獲得平均敏感性95.31%，該方法可以對癲癇腦電信號有效分類識別。

關鍵詞：發作檢測;支持向量機;紋理特征;局部二值模式

中圖分類號：TN710 ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）14-0166-03

癲癇是由神經元細胞突然過度放電引發的一種慢性、頻繁發作的神經系統紊亂疾病，嚴重時可導致病人失去理智或意識、運動障礙、感覺、情緒或心理功能失調，給病人帶來極大的痛苦。腦電圖包含大量真實的腦部活動信息如尖峰和尖波，其對發作診斷及術前發作區的確定起著重要指導作用。傳統的癲癇發作診斷主要依賴于醫生對病人腦電圖的人工觀察判斷，但隨著腦電圖記錄數據量大幅增加，人工檢測既耗時效率低又影響結果的準確性。自動檢測系統可以有效地幫助醫生加快地對癲癇疾病的檢測與診斷[1-2]。

自動檢測系統是借助于計算機技術對癲癇腦電圖信號進行識別分類，從而達到對癲癇發作的檢測。近些年來，各種癲癇自動發作檢測算法紛紛被提出，這些算法主要由特征提取和分類器選擇兩部分組成。

特征提取在自動癲癇檢測算法中起著至關重要的作用。Gotman等人提出的方法是最早的自動檢測方法之一，他采用峰值振幅、持續時間、斜率和銳度等直觀特征識別癲癇腦電信號。此后，大量時間域[3]、頻率域[4]和時間-頻率域[5]的線性特征相繼被提出，包括相對幅度、相對能量、變異系數、修正線長等。此外，各種熵，Lyapunov指數[6]，Hurst指數[7]和高階譜[8]等非線性特征也被應用于癲癇腦電信號檢測。同時，深度卷積網絡、長短期記憶（LSTM）網絡和基于特征學習的L1-懲罰魯棒回歸也被應用于癲癇發作檢測與預測。此外，Kaya等人[9]一維局部二值模式直方圖中選擇相關特征。在Samiee等人[10]的研究中，一維局部二值模式算子被應用在每個平均的Gabor-濾波子帶信號提取最大的LBP寬度作為腦電特征，有效地降低了誤檢率。

自動發作檢測方法的性能還依賴于分類器的選擇。大量的分類算法已被用于癲癇發作檢測識別，包括決策樹、人工神經網絡[11]、支持向量機（SVM）[12]、極限學習機器及其改進版本[13]、二次判別分析分類器[14]、模糊推理系統、貝葉斯線性判別分析等。

本文采用了一維均勻LBP紋理特征和SVM分類器對癲癇腦電信號識別分類，主要由四部分組成：預處理、特征提取、分類識別和后處理。首先應用離散小波變換對原始腦電信號分析處理，并在處理后的信號中提取一維均勻LBP紋理特征;然后在提取的特征集訓練學習SVM分類器并進行檢測識別。最后采用后處理技術對檢測結果進行多級融合決策最終的識別結果。其流程圖如下：

本文分別在離散小波變換后的3個頻段信號中分別學習訓練3個非線性SVM分類器，然后各層上的測試集分別對各自的SVM分類器進行測試評估。

4后處理

經過分類識別，離散小波變換處理后的原始信號的每一導聯每一層信號片段，都獲得一個二進制決策結果，或發作或非發作。原始信號有[N]個平行導聯，則小波變換后的原始信號片段有[N×3]個決策結果。本文設計一種多級融合決策方法，最終決策每個時間信號片段的結果。對三層小波信號的每一層信號，如果平行導聯識別為發作的數量低于[K]，該層被判定為發作，其中[K=N/2]。[Qi]代表第[i]個信號片段，[qij（j=3，4，5）]代表低第[i]信號片段的第[j]層結果，最后根據下面定義的融合準則，得到每個信號片段的最終決策結果。

長腦電信號最終決策：

5實驗評估標準

本文采用兩種評估方式：基于時間段和基于事件。在基于時間片段的方法上，比較癲癇腦電信號的檢測標識同醫生給出的類別參數對比獲取評估結果。敏感性、特異性和準確率三種統計指標被用于評估系統性能，其定義如下：

l 敏感性（Sensitivity）：正確檢測到的發作片段與醫生所標記的發作片段數的比率。

l 特異性（Specificity）：正確檢測到的非發作片段與醫生所標記的非發作期片段數的比率。

l 準確率（Accuracy）：正確檢測到的發作片段與正確檢測到的非發作片段之和與腦電片段總數的比值。

基于事件的評估有兩種統計參數：發作事件的準確檢測量和誤檢率。如果一個被檢測為發作事件的檢測結果與醫生標記的發作參數吻合，那么該發作事件就被判定為正確檢測。基于事件的敏感性可被定義自動檢測到的發作次數與發作總次數之比。

6實驗過程與結果討論

6.1實驗數據

1）長數據集

該長數據集來自德國弗萊堡大學醫院癲癇中心，所有數據由16位數字模擬轉換器的Neurofile NT數字視頻腦電監護儀記錄，采樣率為256Hz。經驗豐富醫生依據癲癇發作之前的發作模式從每個病人的100多個導聯中挑選一個子集，包括三個顱內電極和三個頭部表層電極，并對這些患者的發作起始和終止時刻標記。整個數據集包含21個癲癇患者，共86次發作。

本文中，訓練集包含22次癲癇發作事件和43小時非發作數據，剩余的64次發作和210小時的發作間期數據作為測試集評估系統性能。

2）短數據集

短數據集來自德國波恩大學癲癇學院，包括Z， O， N， F和S五個數集，數據采樣頻率為173.61Hz。本文選取分別代表健康志愿者和患者發作的Z和S數據集用于檢測紋理特征提取的領域點數。

6.2 腦電紋理特征的鄰域點數選取評估

采用10次交叉驗證法對短數據集中的Z和S集的一維均勻LBP特征分類識別。Z和S數據集上分析給定中心點2，4，6，8，10個鄰域點5種情況下提取一維均勻LBP特征，分別獲取4、14、32、58、91種模式特征。將提取的特征樣本平均分成10份，每一份包含40個發作間期樣本和40個發作樣本，訓練SVM分類器并檢測識別。10次交叉驗證法算法的評估指標如圖2所示。

圖2顯示Z和S數據集不同領域點數的紋理特征分類性能，4和6鄰域點數特征要比8鄰域點數特征獲取了更高的平均敏感性和準確率，但是8鄰域點的敏感性和準確率要更加穩定，如圖2（b）和圖2（c）所示。

一維均勻LBP特征在癲癇腦電信號檢測中非常有效的，盡管相比于其他鄰域點數8鄰域點數和10鄰域點數特征集取得了更好的效果，但隨著鄰域點數的增加，其特征向量也隨之增加，導致運算負擔加重不利于分類。因此，本文系統中，長腦電信號中選取8鄰域點數提取一維均勻LBP特征。

6.3 基于片段的評估結果

從表1可以看出，本系統獲取了平均準確率90.65%，平均特異性96.19%和平均敏感度90.09%。此外，最高準確率為99.86%。從特異性來看，除了#3、#12和#19病人外，其他病人的特異性都是100%。#3病人獲取最高敏感性99.47%。

6.4 基于事件的評估結果

表2中用于檢測的發作總次數為64次，除了#3、#12和#19病人其中一次發作時間過短而沒有被檢測到外，其中61次都被成功檢測到，則在基于事件的評估中，得到了平均敏感性95.31%，平均誤檢率為0.56次/小時，在一定程度上對臨床診斷具有一定的指導作用。

7結論

第一，應用一維均勻LBP在癲癇腦電信號中提取紋理特征，獲得了比較理想的評估結果。

第二，一維均勻LBP紋理特征與SVM分類器結合，一定程度上提高了識別結果，證實本系統算法在癲癇檢測中具有一定的臨床意義。

參考文獻：

[1] M. Kaleem， A. Guergachi and S. Krishnan， Patient-specific seizure detection in long-term EEG using wavelet decomposition[J].Biomed Signal Proces. 46 （2018） 157-165.

[2] A. Pathak， A. Ramesh， A. Mitra and K. Majumdar， Automatic seizure detection by modified line length and Mahalanobis distance function[J].Biomed Signal Proces. 44 （2018） 279-287.

[3] K. FasilO and R. Rajesh， Time-domain exponential energy for epileptic EEG signal classification[J].Neurosci Lett. 694 （2019） 1-8

[4] A. Myrden and T. Chau， Feature clustering for robust frequency-domain classification of EEG activity， J.Neurosci Meth. 262（2016）77-84.

[5] N. AliKhan and S. Ali， A new feature for the classification of non-stationary signals based on the direction of signal energy in the time–frequency domain[J].Comput Biol Med. 100 （2018） 10-16.

[6] A. I. Korda， P. A. Asvestas and G. K. Matsopoulos， Automatic identification of eye movements using the largest lyapunov exponent[J].Biomed Signal Proces. 41 （2018） 10-20.

[7] S. Lahmiri， Generalized Hurst exponent estimates differentiate EEG signals of healthy and epileptic patients， Physica A. 490 （2018） 378-385

[8] U. R. Acharya， V. K. Sudarshan， J. E. W. Koh， R. J. Martis and J. H.Tan， Application of higher-order spectra for the characterization of Coronary artery disease using electrocardiogram signals[J].Biomed Signal Proces，2017，31：31-43.

[9] Y. Kaya， Hidden pattern discovery on epileptic EEG with 1-D local binary patterns and epileptic seizures detection by grey relational analysis[J].Australas Phys Eng Sci Med，2015，38 （3）：435-446.

[10] P. Samiee， P. Kovcs and M. Gabbouj， Epileptic seizure detection in long-term EEG records using sparse rational decomposition and local Gabor binary patterns feature extraction[J].Knowl. Based Syst，2017，118：228-240.

[11] U. R. Acharya， S. L.Oh， Y. Hagiwara， J. Tan and H. Adeli， Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals[J]. Comput Biol Med，2018，100：270-278.

[12] F. Tang， L. Adam and B. Si， Group feature selection with multiclass support vector machine[J].Neurocomputing，，2018，317，42-49.

[13] Y. Zhang， Y. Wang， G. Zhou， J. Jin， B. Wang， X. Wang and A.Cichocki， Multi-kernel extreme learning machine for EEG classification in brain-computer interfaces[J].Expert Syst Appl，2018，96：302-310.

[14] E.C. Chua， K. Patel， M. Fitzsimons and C.J. Bleakley， Improved patient specific seizure detection during pre-surgical evaluation[J].Clin Neurophysiol，2011，122 （4）：672-679.

【通聯編輯：梁書】