0 引言

    癲癇（epilepsy）即俗稱的“羊角風”或“羊癲風”，是大腦神經元突發性異常放電，導致短暫的大腦功能障礙的一種慢性疾病。癲癇發作類型可分為：全面性發作、部分性發作、繼發全面性發作。由于癲癇發病的突然性，患者容易出現摔傷、燙傷、溺水、交通事故等。癲癇患者會出現記憶障礙、智力下降、性格改變等嚴重的認知障礙。除此以外，癲癇的危害還體現在精神上的危害，癲癇患者經常被社會歧視，患者精神壓抑，身心健康受到極大的影響。鑒于癲癇病癥病發的普遍性和危害性，對癲癇的致病機理、臨床檢測和病灶定位成為研究的重點和難點。

    癲癇疾病的診斷主要通過臨床病史和腦電圖檢查，棘波作為癲癇特征波，其檢測對判斷是否患有癲癇具有決定意義。近年來，隨著信號分析處理和計算機輔助智能診斷技術的迅速發展，研究主要有兩個方向：(1)用信號分析的方法直接對腦電進行分析，找到腦電信號某些參數的差異來進行預測，例如，TIBDEWAL M N^[1]等人基于方差和多重熵對癲癇/非癲癇腦電信號進行統計分析；朱東升^[2]和徐亞寧^[3]通過對患者發病信息進行基于傅里葉變換的功率譜分析，與正常腦電信號進行對比得到癲癇發作的腦電特征，但由于腦電信號屬于多組分非平穩偽隨機信號，傅里葉變換與其適應性不好，其預測準確率不高；王鵬翔^[4]等人采用基于小波變換的癲癇腦電特征波識別算法，實現對信號的分析。(2)用信號分析的方法與機器學習分類算法相結合來對癲癇信號進行處理，例如，BEHNAM M^[5]等設計了一種基于癲癇模極大值模式的癲癇發作特異性小波，其對捕獲的腦電信號進行建模，通過AdaBoost分類器實現癲癇發作的檢測與分類；PATIDAR S^[6]等采用基于TQWT的Kraskov熵的分析方法對癲癇腦電信號進行單特征檢測；趙建林^[7]等和韓敏^[8]通過小波分析與支持向量機SVM分類器對正常腦電與癲癇腦電進行分類；李牧瀟^[9]提取所需腦電信號的樣本熵作為特征向量，再運用極限學習機算法進行分類識別，但SVM和極限學習機分類算法對于非線性分類沒有一個通用的解決方案，故其準確率也不是很高。

    基于以上問題，本文提出了基于小波變換和模極大值算法的癲癇檢測方法。

1 癲癇特征波提取

1.1 腦電信號的癲癇特征波

    人體腦電信號是腦神經細胞電生理活動在大腦皮層或頭皮表面的總體反映。腦電信號中包含了大量的生理與疾病信息，臨床中將腦電信號根據不同的頻率主要分為4個頻帶，分別為慢波、α波、快波及中快波。棘波和尖波是根據其波形相比信號的其他部分顯著尖銳的特征分類的，其有別于形成其他的背景活動的波和節律。

    典型的癲癇特征波即由棘波、尖波和慢波組成，常見的有棘波、尖波、棘-慢復合波和尖慢復合波等，如圖1所示。

    其中，棘波是一種陣發性的異常腦電圖的基本形式，一般時限為20～70 ms，其波形較為陡峭，一般處于負相波形，部分處于正相波形，有時還會處于雙相或者三相波形。棘慢復合波是接著棘波出現的時長為200～500 ms的慢波。而尖波與棘波類似,但時長比棘波更長，兩者都是負相和雙相性，一般也有三相性，尤其是高波幅的正相波較多。尖慢復合波為慢波接著尖波出現形成的復合波，尖波時長多為80～120 ms，接著尖波的慢波時長大約為500～1 000 ms^[10]。

    癲癇腦電信號含有顯著的棘波特征波，故對棘波進行識別，從而實現癲癇腦電信號的特征提取的方法具有可行性和可靠性。本研究通過小波變換和模極大值檢測對棘波進行識別。

1.2 特征提取

    小波分析是一種非常有效的信號時頻分析方法^[11]，它將時域的一維信號變換至時間/尺度的二維空間，對于處理時變信號具有獨特的優越性。

    連續小波變換過程（CWT）^[12]可以由下式表示：

    當變換尺度a較小時^[3]，中心頻率較高，帶寬較寬；反之，a較大時，中心頻率較低，帶寬較窄。而棘波是腦電波中相對高頻的成分，其信息更有可能出現在小尺度層次上。

    模極大值算法是一種基于小波分析的算法，在小波分析的基礎上對信號進行奇異點判斷與分析。本文采用細化算法計算模極大值列^[11]。細化算法函數的表達式為：

    結合小波變換與模極大值法，選取小尺度的小波模極大值系數WTMM_a，b作為特征波。通過分析各個尺度小波模極大值系數WTMM_a，b的變化情況，可以篩選出特征波中的棘波嫌疑點，將棘波與低頻分量分離。

2 實驗分析

    為驗證算法的有效性，本實驗使用的癲癇腦電數據來源于美國權威的CHB-MIT Scalp EEG Database^[13-14]。該數據庫記錄癲癇患者發作期的腦電圖，記錄共23個文件，來自22名受試者（5名男性，年齡在3～22歲; 17名女性，年齡在1.5～19歲）。所有信號都以256 Hz采樣率、16位分辨率進行采樣。此外，該數據記錄已進行了初步處理，去除環境干擾及眼跡干擾等噪聲，并且已經標明了發作期的時間節點，可直接應用于癲癇數據分析。

    根據統計數據顯示，癲癇致病灶位置最常見于電極網絡的額極和前顳、中顳、后顳區域，對應的電極為Fp1、Fp2、F7、F8、T3、T4、T5、T6（采用國際10-20系統的EEG電極位置）共8個電極，故在實驗中采用這8個電極中的數據進行特征波提取。下述實驗以Fp1通道為例。

    首先將數據庫中的原始腦電信號分割成數據長度為1 024個數據點的區段,對其進行小波分析，分解級數為10級，抽樣率為256，迭代次數為6。以db4小波為基小波，其母小波函數圖如圖2所示。其中橫坐標為消失矩階數，無單位；縱坐標為小波函數值，無單位。

    以病例Chb01/、001號記錄中Fp1通道的0.5s~4.5 s處共1 024個樣點為例進行實驗。小波分析后，以通道Fp1為例，部分層次的結果如圖3所示，橫坐標n為數據點點數。

    再對小波變換結果矩陣中每個小波細節d1~d10層次按2中步驟進行模極大值計算，由式(5)檢驗奇異點，得到模極大值列在部分層次上的結果如圖4所示。

    進一步對奇異點模極大值列頻帶間的變化趨勢進行統計分析，以篩選出懷疑棘波值點。識別算法如下：

    (1)設定一閾值ε>0，對于1≤a≤5、任意點數1≤x≤1 024，若有|WTMM(a，x)|<ε，則WTMM(a，x)=0；

    (2)1≤a≤6，令WTMM(a，1)=WTMM(a，1024)=0，降低由于區段邊緣包含不完整特征波而造成的誤判的錯誤率；

    (3)由于棘波的時長多為20~80 ms之間，棘波懷疑點的大量信息更有可能出現在d1、d2、d3 3個層次上，故取特征波為：

    由此得到擬合曲面，圖5為棘波嫌疑點的擬合曲面，圖6為非棘波嫌疑點的擬合曲面。

    最后通過上述部分對特征值波列的篩選，得到檢測出的棘波值列，提取出的棘波值列與原始腦電信號的對比如圖7所示。圖7(a)為經該檢測算法提取到的棘波值列，圖7(b)為原始腦電信號。

    對19例癲癇患者腦電棘波進行檢測，根據患者被測時的狀態分為發作期和發作間期兩個數據集，得到了高的棘波識別率，結果如表1所示。

    由以上結果可以看出，小波變換-模極大值檢測法可以有效地對棘波個數進行檢測。對不同的腦電信號，由于個體差異、干擾等因素，準確率不同。與專家檢測的棘波個數相對比，其準確率在19例樣本中最低也可達92.5%。發作期和發作間期兩個數據集檢測到的棘波個數的分布如圖8所示。采用統計學原理對棘波個數數據進行單方差分析[15]，結果如圖9所示。

    通過觀察棘波個數分布圖和單方差分析圖，可得出以下結論：對于固定長度的原始信號，本系統檢測到的癲癇發作期及發作間期的腦電信號棘波個數有明顯的差別，發作期的棘波個數比例明顯高于發作間期，這印證了本檢測方法可以作為判斷癲癇是否發作的依據。

3 結論

    本研究將小波變換和模極大值算法結合適應了腦電信號非平穩、多組分的特征，研究了多種特征參數對腦電癲癇信號的影響，并運用了細化函數這一簡單、高效、高精度的算法。通過分析和實驗驗證采用小波分析結合模極大值算法對腦電信號進行分析時，診斷準確率在92.5%以上，效果理想。

    本研究可以在臨床上幫助醫生更好地對癲癇患者進行診斷。下一步工作是對癲癇病灶進行定位，并盡可能實現對癲癇病發作的預測。

參考文獻

[1] TIBDEWAL M N，DEY H R，MAHADEVAPPA M，et al.Multiple entropies performance measure for detection and localization of multi-channel epileptic EEG[J].Biomedical Signal Processing and Control，2017，38：158-167.

[2] 朱東升.癲癇信號分析及病灶定位[D].秦皇島：燕山大學，2016.

[3] 徐亞寧.基于小波變換的EEG信號癲癇棘波檢測[J].桂林電子科技大學學報，2008，28(3)：97-98.

[4] 王鵬翔，張兆基.小波變換下的腦電信號癲癇特征波識別算法研究[J].信息與電腦(理論版)，2017(17)：63-65.

[5] BEHNAM M，POURGHASSEM H.Seizure-specific wavelet(Seizlet) design for epileptic seizure detection using CorrEntropy ellipse features based on seizure modulus maximas patterns[J].Journal of Neuroscience Methods，2017，267：84-107.

[6] PATIDAR S，PANIGRAHI T.Detection of epileptic seizure using Kraskov entropy applied on tunable-Q wavelet transform of EEG signals[J].Biomedical Signal Processing and Control，2017，34：74-80.

[7] 趙建林，周衛東，劉凱，等.基于SVM和小波分析的腦電信號分類方法[J].計算機應用與軟件，2011，28(5)：114-116.

[8] 韓敏，孫卓然.基于小波變換和AdaBoost極限學習機的癲癇腦電信號分類[J].計算機應用，2015，35(9)：2701-2705，2709.

[9] 李牧瀟.癲癇腦電信號自動檢測的研究[D].鄭州：鄭州大學，2014.

[10] 汪春梅.癲癇腦電信號特征提取與自動檢測方法研究[D].上海：華東理工大學，2011.

[11] 文婉瀅，李智.基于小波區域閾值去噪的MWC優化還原算法[J].電子技術應用，2018，44(11)：64-67，71.

[12] PUCKOVS A，MATVEJEVS A.Wavelet transform modulus maxima approach for world stock index multifractal analysis[J].Information Technology and Management Science，2012，15(1)：76-86.

[13] GOLDBERGER A L，AMARAL L A N，GLASS L，et al.PhysioBank，PhysioToolkit，and PhysioNet：components of a new research resource for complex physiologic signals[J].Circulation，2018，101(23)：e215-e220.

[14] SHOEB A H.Application of machine learning to epileptic seizure onset detection and treatment[D].PhD Thesis, Massachusetts Institute of Technology，September，2009.

[15] 劉雪峰，馬州生，趙艷陽，等.基于MSE-PCA的腦電睡眠分期方法研究[J].電子技術應用，2017，43(9)：22-24，29.

作者信息:

劉光達，王依萌，胡秋月，馬孟澤，蔡  靖

(吉林大學 儀器科學與電氣工程學院，吉林 長春130061)