基于局部特征尺度分解及分形維數(shù)的EEG 監(jiān)測(cè)程序研制

宮晶GONG Jing；盛沛SHENG Pei

（①海軍航空大學(xué)，煙臺(tái)264001；②解放軍970 號(hào)醫(yī)院，威海264200）

0 引言

腦電信號(hào)是典型的的非平穩(wěn)、非線性信號(hào)[3]。在該信號(hào)處理領(lǐng)域，大量學(xué)者進(jìn)行了諸多嘗試。以希爾伯特黃變換（Hilbert-Huang Transform，HHT）為代表的腦電信號(hào)特征提取研究作為一種十分適合分析該類信號(hào)的時(shí)頻分析法越來越流行。該算法由兩部分組成：經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition，EMD）和希爾伯特變換（Hilbert Transform，HT），EMD 是算法的核心。為進(jìn)一步解決EMD 的模態(tài)混疊、端點(diǎn)效應(yīng)等問題，2012年，湖南大學(xué)的程軍圣、楊宇團(tuán)隊(duì)提出了局部特征尺度分解方法[4][5]（Local Characteristic-scale Decomposition，LCD），并證實(shí)了其性能優(yōu)于傳統(tǒng)的EMD 算法。截至目前，該方法在諸多領(lǐng)域已經(jīng)取得了較好的成果，但是在EEG 識(shí)別領(lǐng)域，尚未有人做出嘗試。究其原因，是在對(duì)EEG 波形做LCD 分解之后，還缺乏一種有效的工具將其與發(fā)作狀態(tài)聯(lián)系起來，即病理特征的提取。

為了解決這一問題，本文利用局部特征尺度分解算法及分形維數(shù)算法[6]提取EEG 監(jiān)測(cè)特征，輸入概率神經(jīng)網(wǎng)絡(luò)進(jìn)行癲癇病預(yù)測(cè)與診斷，利用基于可視化語言的Labview軟件開發(fā)出診斷程序。該程序的顯著優(yōu)點(diǎn)是可以極為便捷地對(duì)病患腦電信號(hào)進(jìn)行監(jiān)測(cè)并給出發(fā)病判斷。

1 算法介紹

算法原理是首先通過局部特征尺度分解，將原本一維的待測(cè)樣本變成多個(gè)具有物理意義的分量。與原始信號(hào)一樣，這些分量中的某一個(gè)或者某幾個(gè)也必然與病理狀態(tài)存在著強(qiáng)弱不同的聯(lián)系。對(duì)這些分量進(jìn)行分形維數(shù)計(jì)算，得到一組特征值后，便可以借助神經(jīng)網(wǎng)絡(luò)將這些強(qiáng)弱不同的聯(lián)系體現(xiàn)出來，達(dá)到精準(zhǔn)刻畫腦部狀態(tài)的目的。PNN 算法是由D.F.Speeht 于1989年提出的一種前饋網(wǎng)絡(luò)，屬于徑向基網(wǎng)絡(luò)的一個(gè)分支。由于其具有的優(yōu)點(diǎn)[7]非常契合本文的工程應(yīng)用背景，因此在分類環(huán)節(jié)選擇此算法。其具體流程如圖1 所示。

圖1 基于LCD-BCM 的EEG 特征提取方法思路

2 軟件主要功能模塊與窗體

該軟件功能模塊主要為參數(shù)管理、數(shù)據(jù)管理、狀態(tài)分析，前兩者面向管理人員、技術(shù)人員等高級(jí)用戶，而后者面向的是操作及使用人員等底層用戶。

首先，在圖2 參數(shù)管理模塊中對(duì)測(cè)點(diǎn)數(shù)據(jù)進(jìn)行采集，并根據(jù)實(shí)際情況判斷是否需要對(duì)信號(hào)進(jìn)行降噪。

圖2 參數(shù)管理模塊

圖3 數(shù)據(jù)管理模塊

隨后，在數(shù)據(jù)管理界面中將對(duì)應(yīng)的狀態(tài)編碼錄入到特征數(shù)據(jù)庫中。至此，該測(cè)點(diǎn)下的常見特征數(shù)據(jù)與輸入的醫(yī)囑已經(jīng)通過病患狀態(tài)編碼一一對(duì)應(yīng)起來。底層用戶僅需要在圖4 的狀態(tài)分析模塊中，選擇對(duì)應(yīng)的測(cè)點(diǎn)庫文件并點(diǎn)擊狀態(tài)識(shí)別按鈕，即可立即出現(xiàn)醫(yī)療建議。

圖4 狀態(tài)分析模塊

3 應(yīng)用實(shí)例

這些數(shù)據(jù)是由意大利錫耶納大學(xué)神經(jīng)和神經(jīng)生理學(xué)部門在一個(gè)名為PANACEE[3]的區(qū)域研究項(xiàng)目中收集的，該項(xiàng)目旨在開發(fā)用于癲癇發(fā)作預(yù)測(cè)的無創(chuàng)患者特異性監(jiān)測(cè)/控制低成本設(shè)備。該數(shù)據(jù)庫包括14 例患者的腦電圖記錄，采用視頻腦電圖監(jiān)測(cè)，采樣率為512Hz，電極按照國際10-20 系統(tǒng)排列。所有的記錄也包含1 或2 個(gè)心電圖信號(hào)。使用LTM 放大器和可重復(fù)使用的銀/金杯電極獲得數(shù)據(jù)。患者被要求盡可能多地躺在床上，要么睡著要么醒著。

在各類EEG 中截取50 個(gè)樣本共獲得包含正常狀態(tài)、發(fā)作間期、發(fā)作期狀態(tài)在內(nèi)的3 大類19 小類950 個(gè)樣本。將每類樣本中20 個(gè)輸入PNN 進(jìn)行訓(xùn)練，其余30 個(gè)用于測(cè)試。令正常狀態(tài)樣本編號(hào)為1，依次編號(hào)診斷結(jié)果統(tǒng)計(jì)如圖5 及表1 所示。

4 討論

從實(shí)驗(yàn)中可以看出：

①各類狀態(tài)診斷正確率均超過80%。

②本例狀態(tài)集為發(fā)作期、發(fā)作間期、正常狀態(tài)混合在一起的，診斷正確率仍然較高。

③在圖5 中可以看到，僅在編號(hào)為400～500 之間有一處樣本誤差較大，其余誤差均較小。這說明大部分誤差均在類內(nèi)出現(xiàn)，這對(duì)后續(xù)的診斷指導(dǎo)并不會(huì)帶來嚴(yán)重后果。

圖5 PNN 測(cè)試結(jié)果圖

表1 PNN 測(cè)試正確率

更進(jìn)一步地，若已經(jīng)將病患狀態(tài)判別至發(fā)作狀態(tài)，即Fi 類內(nèi)，那么利用軟件進(jìn)行更詳細(xì)的單類狀態(tài)庫的構(gòu)建，則可以十分準(zhǔn)確地判斷出具體的病灶類型，識(shí)別正確率可高達(dá)100%。

5 結(jié)束語

本文利用可視化語言Labview 開發(fā)的癲癇狀態(tài)監(jiān)測(cè)與識(shí)別程序具有功能強(qiáng)大、界面友好、操作方便、運(yùn)行可靠穩(wěn)定等優(yōu)點(diǎn)。利用LCD、BCM 進(jìn)行特征提取以及PNN 強(qiáng)大的狀態(tài)分類能力，解決了多類癲癇狀態(tài)的分類問題。它是一套令人滿意的診斷軟件。