基于EEG背景音分析的癲癇特征分析方法

(吉林大學儀器科學與電氣工程學院 吉林 長春 130026)

一、引言

癲癇作為一種慢性神經系統疾病，其發病機理至今未能完全闡述清楚。除去因為大腦結構性病變引發的癥狀性癲癇之外，特發性與隱源性癲癇患者都很難通過外科手術等切實有效的方法進行治療。而根據國際抗癲癇聯盟(ILAE)給出的癲癇定義，作為慢性腦部疾病，其特征之一為持續性多次發作，而這些患者中絕大部分自幼兒時期或者青少年時期起大腦會出現異常或者超同步放電，需要考慮長期醫學觀察，生活質量難以保障[1]。

而自德國醫師HansBerger創設腦電圖學以來，EEG作為大腦神經元放電的集中體現，以其關聯性強，成本低，只需局部創傷甚至無創即可反映大腦生理狀態變化而在研究及臨床領域獲得大力推廣。但是在其實際臨床應用上，為了精確診斷和評估發作風險，患者佩戴的腦電圖檢測裝置受限于檢測要求苛刻、檢測環境復雜多樣、配套設備日常維護困難以及患者本身的社會需求很難在醫院外使用。如何進行信號篩選，選取合適的特征值，在保證檢測效果的同時減少對于信號數量及處理器要求，實現便攜檢測也成為了許多研究機構的方向。

本文在EEG小波分析的基礎上，應用DB小波降噪方法，結合背景音電信號能量分析與多波段發作能量增長倍率，提出了一套較為準確判斷癲癇發作前期與發作期腦電信號分布的計算方法，具有引用數據少，分析特征值明顯，處理器要求低等優勢，同時通過多組數據實驗驗證了算法有效性。

二、小波分析與特征值選取原理

小波函數如下所示,若函數ψ(t)滿足如下公式：

則稱ψ(t)為小波母函數或基本小波。將上式中的ψ(t)做傅里葉變換，得到的小波函數的可容許性條件如下[5]：

小波變換的作用是一種時頻局部化算子，而連續小波則是小波變換的基本理論。連續小波變換的表達式如下[5]：

其中[x,y]表示內積，L2(R)表示平方可積的空間函數且為距離空間，具體的表達式為：

小波變換：

本文在實際使用中就是使用小波分析中的DB小波算法進行信號降噪處理，區分腦電中的高頻運動雜音，分解出較為純凈的腦電背景小波群，并對之進行分析。由于除去如僅全面強直—陣攣發作性癲癇等發作間期與發作期區分不明顯的特殊癲癇種類以外，絕大部分癲癇都會出現短則幾十秒，長則數分鐘的多波段小波能量變化，作為區分發作期與發作間期的前期特征電信號出現。故針對這一情況，在DB小波降噪算法中，選取每1分鐘取1s進行降噪分析的方式，可以保證捕獲發作前期的EEG變化，從而進行明確的病情分析。

在特征值選取上采用在多波段進行小波能量分析，根據相同波段的能量密度增長篩選可用的特征值，并根據特征值之間的比值關系進行閾值分析，從而實現對于發作間期、發作前期與發作期的劃分。經過設計分析選取0-4Hz波段內以慢波為主的小波能量增長倍率作為特征值。其中將增長倍率設為N,發作前期和發作期小波信號能量總值分別設為W1、W2，則它們之間的計算關系如下：

在該特征值分析中，需要注意由于部分波段能量分布值過大，為減少計算中產生的估算及移位誤差，計算能量值W1與W2均以dB為單位。

三、腦電信號背景音頻率成分及導聯選擇

腦電信號是由大腦多個腦區，超過140億神經元細胞共同工作產生的電信號，腦電信號在不同的生理或者病理狀態下，其頻率、幅值及波形都會有復雜的變化。在時域中對腦電圖進行分析十分困難，而在頻域中進行分析能夠更加直觀的了解多種頻率分量與人體生理狀態之間的聯系。研究中通常將頻段劃分為δ波、θ波、α波、β波以及γ波五部分，依次頻段為4Hz以下、4-7Hz、8-13Hz、14-30Hz以及30Hz以上[2]。

本設計中討論的分析波段主要為4Hz以下的慢波波段及4-7Hz的高波幅棘波—慢波綜合波波段，正常成年人僅有小部分散在波形，主要反映患者清醒狀態下的大腦生理狀態，由于δ波為廣泛分布電信號，無法定位產生腦區，而θ波主要產生在中央區，故選擇T7-P7導聯作為信號源。該導聯位于顳葉與中央頂葉交界位置，可以典型反映出周邊頂葉、顳葉、枕葉等多個腦區的腦電信號。

四、仿真實驗及影響因素分析

(一)仿真模型設計與驗證

為了驗證本文中實驗數據的準確性，實驗采用Physionet網站上的癲癇患者EEG數據庫進行驗證，其中針對判斷選擇了患者連續的發作期與發作間期各一個小時的EEG信號進行比對，同時分析了信號波段、除雜閾值、信號長度四個方面對于算法的影響進行比對，多次更換數據重復試驗以驗證結論。

(二)仿真結果

針對同一患者發作期、發作前期、發作間期的實驗中獲得了相同導聯不同時間段的小波能量信息，從中選擇0-4Hz、4-8Hz、8-10Hz三個波段能量數值進行對比。

在發作間期、發作前期、發作期等不同不同時間段其EEG的時域分布如下圖4.1所示。

圖4.1 病人發作間期、發作前期與發作期時頻域比較圖

通過以上數據可以得出，發作間期時間內腦電成分分布均勻，以慢波與棘波為主要成分的δ波與θ波波段散在波谷，α波段小波組成成分均勻；而在發作前期δ波與θ波波段多個散在波谷寬度減小，全譜電信號呈現抑制趨勢，出現特征癲癇發作前期圖形；在發作期δ波波段散在波谷寬度減小、θ波波段散在波谷消失、多頻率成分均勻分布，較發作前期呈現全譜電信號暴發趨勢。以δ波、θ波與α波為劃分依據，提取三個波段的信號進行能量分析，并依照上文公式進行能量增長倍率計算可以得出能量變化對照表如下表4.1。

表4.1 多頻段發作間期、發作前期、發作期能量變化對照表

針由表中可以看出，病人發作前期較發作間期三個波段上能量分布都有衰減，而在發作期開始后三個波段能量分布都呈現增長狀態，而其中δ波能量增長倍率最高，遠超其他波段3倍以上，其主要原因是癲癇信號以高波幅慢波為主，提高了低頻段的能量分布。該變化規律證實了該算法提取出特征值符合實際數據情況，可以用來判斷癲癇發生。

而本算法在判斷過程中以δ波波段增長倍率作為判斷依據。但是并不意味著其他兩個波段的判斷沒有意義，由于致癇原因及病人年齡等多方面影響，θ波與α波波段也會呈現增長狀態但是趨勢沒有δ波波段明顯，但是對于腦功能發育并不完全的幼兒，其腦電波常見大量δ波分布，則需要另外兩個波段進行輔助分析才能提高算法的有效性，應用過程中還應根據病人個體的EEG信號對于頻段的劃分稍作調整。

(三)閾值設定對算法結果的影響

在利用DB小波算法除雜的過程中，對于除雜閾值的調整也同樣會影響到最后的能量分析效果，本次試驗中分別調整3組閾值對照，分別為A、B、C三組，分析更改除雜閾值對于能量分布計算的影響。

其中A、B、C三組閾值如表4.2所示。

表4.2 DB小波除雜閾值設定對照表

同時對發作間期1s信號進行DB小波除雜獲得最后效果如下圖4.2所示。

圖4.2 發作間期不同閾值除雜后時域效果圖

由圖可知，設定閾值較低的A組情況下DB小波除雜并不能有效除去時域信號中的高頻動作電信號干擾，在除雜后的信號里依然保留了部分高頻的雙向尖脈沖，而在閾值設定較高的C組情況下，高頻尖脈沖已經被完全除去，但是部分低頻小波信號的幅值也被降低，一定程度上降低了低頻段的能量增長倍率，將會影響到癲癇預測中發作期增長倍率的判斷。故在設定過程中應當保證在除雜后8Hz以上信號保持均均分布的情況下，盡量設置較小的閾值，確保增長倍率信息不會被影響。

(四)采樣時長對實驗結果的影響

對于大部分EEG能量分布的算法中，較長的采樣時長意味著在計算中能夠更好地通過平滑濾波等運算消除高斯噪聲等多種噪聲的影響，提高信號純度。本文中設計對照實驗組，X組將60s內采集數據全部輸入Matlab進行DB法除雜，而Y組則節選1s信號進行DB法除雜，兩組信號來源相同，采樣頻率同為256Hz，所得除雜信號數據如下圖4.3。

圖4.3 發作間期不同采樣時長時域效果圖

可以看到采樣時長較長的X組，除雜前后信號基本無差別，而采樣時長較短的Y組高頻告饒基本完全被除去。這主要是因為采集長度過長時包含高頻干擾成分過多，在DB法除雜過程中同樣的閾值無法識別冗雜的高頻噪聲，并從中分辨低頻的小波信號，故將噪聲也同樣視為需要保留的小波信號。如果采樣時長無法縮短，可以適當調高閾值，但同時應該注意上文中提到的要求。如設置閾值過大可能會出現過量高頻尖脈沖信號轉換為方波二次污染采集信息的情況。如下圖4.4所示。

圖4.4 閾值設置失調后的二次信號污染

五、結論

通過本文中理論計算及實驗，證實通過純凈的靜息腦電信號以多波段能量增長倍率作為主特征值分析可以明確區分癲癇發作間期、發作前期及發作期，在癲癇監測方面是有效的。它具有所需信號數量少，數值變化明顯、對處理器要求低等優勢。但是對于嬰幼兒時期癲癇的腦電背景中散在的δ波，應當增添多個波段的增長倍率分析，并適當調整低頻段增長倍率在判斷中的權重。同時對于部分處理器配置較高的設備開發可以增加多個導聯信號，擴展包括α剩余波段及β波段的能量增長倍率計算，完善算法結構，可以進一步提高算法預測的準確性。