王 玉 周衛(wèi)東 李淑芳 袁 琦 耿淑娟
(山東大學(xué)信息科學(xué)與工程學(xué)院,濟(jì)南 250100)
癲癇是一種腦部神經(jīng)元過(guò)度放電、引起突然反復(fù)和短暫的中樞神經(jīng)系統(tǒng)功能失常的慢性腦部疾病,具有突然性、暫時(shí)性、反復(fù)性三大特點(diǎn)。腦電圖(EEG)是腦神經(jīng)細(xì)胞電活動(dòng)在大腦皮層或頭皮表面的總體反映,在癲癇的診斷和治療中是一種非常重要的工具[1-2]。在癲癇發(fā)作間歇期(interictal)、發(fā)作前期(preictal)和發(fā)作期(ictal),其腦電活動(dòng)也隨之發(fā)生變化。臨床上癲癇發(fā)作診斷所使用的方法為目測(cè)法,即通過(guò)觀察腦電信號(hào)中的癲癇特征波來(lái)診斷癲癇發(fā)作。通常,用于癲癇發(fā)作診斷的腦電信號(hào)持續(xù)很長(zhǎng)時(shí)間,有時(shí)甚至長(zhǎng)達(dá)幾天,分析如此長(zhǎng)的腦電信號(hào)耗費(fèi)專家大量的精力。因此,近年來(lái)人們利用癲癇發(fā)作前后腦電信號(hào)某些特征量的差異來(lái)檢測(cè)和預(yù)測(cè)癲癇發(fā)作。
大腦在許多狀態(tài)下的腦電時(shí)間序列都具有明顯的非線性特征,腦電的非線性特性分析逐漸成為一個(gè)研究熱點(diǎn)[3-5],如李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵、非線性預(yù)測(cè)等被用于腦電分析[6-9]。研究發(fā)現(xiàn):常規(guī)腦電的波形、波幅、頻率等指標(biāo)提供的信息,還不能充分描述癲癇發(fā)作過(guò)程中的腦電活動(dòng);隨著癲癇的發(fā)作,腦電的非線性動(dòng)力學(xué)特征會(huì)發(fā)生明顯的變化,腦電活動(dòng)的相關(guān)維數(shù)、分形維數(shù)、李亞普諾夫指數(shù)、自由度等非線性指標(biāo)會(huì)逐漸降低[10-11]。因此,通過(guò)非線性動(dòng)力學(xué)研究癲癇,是一種有效的手段。
分形幾何學(xué)認(rèn)為,客觀事物的局部與整體在形態(tài)、功能、信息、時(shí)間、空間等方面具有統(tǒng)計(jì)意義上的相似性。為了描述不規(guī)則結(jié)構(gòu)的分形特征,針對(duì)不同的分形結(jié)構(gòu),常常提取它們的分形維數(shù)、分形截距、缺項(xiàng)等特征[12]。其中,分形維數(shù)是對(duì)事物的復(fù)雜程度、粗糙程度、不規(guī)則程度、對(duì)空間的有效占有程度等性質(zhì)的一種測(cè)度,分形截距則反映不規(guī)則物體表面變化的快慢。Peleg等提出使用覆蓋技術(shù)計(jì)算圖像表面分形維數(shù)的方法,即毯子維[13]。毯子覆蓋技術(shù)與其他分形理論相比,能在不同分辨能力下獲得物體的變化特性。現(xiàn)有用分形方法分析腦電信號(hào)的研究,都是利用相關(guān)維數(shù)、分形維數(shù)等作為特征[14-15]。本研究對(duì)癲癇腦電信號(hào)進(jìn)行了基于毯子維的分形截距特征分析,并將其應(yīng)用于癲癇腦電信號(hào)的檢測(cè)。此外,針對(duì)癲癇發(fā)作前后腦電信號(hào)的分形截距和毯子維特征進(jìn)行對(duì)比研究。
將圖像g(i,j)看作是三維空間中的曲面,(i,j)為二維平面的橫縱坐標(biāo),圖像的灰度值為Z軸坐標(biāo)。在距離曲面兩側(cè)δ內(nèi)的所有點(diǎn)構(gòu)成厚度為2δ的“毯子”,灰度圖像的毯子維可以由此三維曲面計(jì)算得到[16]。首先,假定第0層毯子的上下表面為原始圖像,即
然后使用式(2)和式(3)獲得各層毯子的上下表面,有
式中,δ表示毯子的層數(shù),δ=1,2,3…。設(shè)各層毯子的厚度(即上下表面的距離)為2δ,毯子的體積和表面積可分別由式(4)和式(5)獲得,有
基于Minkowski維數(shù)和覆蓋技術(shù),有
兩邊取自然對(duì)數(shù),則
式中,β為常數(shù),C1=2-D為直線的斜率,C0=lnβ為直線的截距(分形截距)。
斜率和截距各代表不同的物理意義:毯子維數(shù)D(D=2-C1)反映了圖像表面的不規(guī)則程度,而分形截距能夠反映圖像灰度值變化的快慢程度。
為了對(duì)一維腦電時(shí)間序列提取毯子維和分形截距特征,將上下所有與腦電信號(hào)距離小于δ的點(diǎn)視為一個(gè)寬為2δ的條狀帶,條狀帶的面積可以用信號(hào)長(zhǎng)度與條狀帶的寬度乘積得到。本研究用毯子法,計(jì)算時(shí)間序列毯子維和分形截距特征。
步驟1:設(shè)有L個(gè)數(shù)據(jù)點(diǎn)的一維腦電信號(hào)g(i),(i≤L),將此腦電信號(hào)均勻地分成M個(gè)子段,每段有 N 點(diǎn),即 g(i)= [g1(i),g2(i),…,gM(i)]。
步驟2:令第0層覆蓋線u0(i)=b0(i)=gj(i),j∈[1,M],計(jì)算上下各層覆蓋線的長(zhǎng)度,有
根據(jù)式(8)和式(9)算出上下覆蓋線,得
步驟 3:對(duì)于不同的 δ,如 δ1、δ2,得到 A(δ1)、A(δ2),根據(jù)式(7),有
得到毯子維及分形截距,有
步驟4:對(duì)M段腦電數(shù)據(jù),分別求分形截距特征和毯子維特征,最終得到對(duì)應(yīng)腦電數(shù)據(jù)g的分形截距特征向量 C= [C01,C02,…,C0M]和毯子維特征向量 D= [D1,D2,…,DM]。
實(shí)驗(yàn)數(shù)據(jù)分別來(lái)自德國(guó)波恩癲癇研究室臨床采集的腦電數(shù)據(jù)庫(kù)和山東大學(xué)齊魯醫(yī)院的臨床腦電。波恩癲癇研究室的腦電數(shù)據(jù)已被廣泛用于癲癇病的診斷和分析研究,其中包括5類(lèi)腦電數(shù)據(jù),每一類(lèi)有100段時(shí)長(zhǎng)為23.6 s的腦電信號(hào),采樣頻率為173.6 Hz,腦電數(shù)據(jù)中的手動(dòng)或眼動(dòng)等干擾已被去除[17-18]。選取其中間歇期腦電(D組)和發(fā)作時(shí)的癲癇腦電(E組)各100段,每段4 097點(diǎn)。在實(shí)驗(yàn)中,將每段數(shù)據(jù)分為相等的4小段,每小段數(shù)據(jù)1 024個(gè)點(diǎn),共得到間歇期腦電和癲癇腦電各400小段數(shù)據(jù)。
山東大學(xué)齊魯醫(yī)院的腦電數(shù)據(jù)來(lái)自臨床確診的癲癇病例6名,采樣頻率為128 Hz。選取間歇期腦電和發(fā)作期癲癇腦電各512段,每段1 024點(diǎn)。
分別選取波恩和兒童醫(yī)院數(shù)據(jù)中間歇期腦電和癲癇腦電各10段,每段1 024點(diǎn),按照L=1 024,M=1,N=1 024的情況利用毯子法提取分形截距特征,圖1給出了間歇期腦電和癲癇腦電按式(7)得到的直線(lnA(δ)=C1lnδ+C0)的分布。
從圖1中可以發(fā)現(xiàn),間歇期腦電與癲癇腦電的斜率(對(duì)應(yīng)毯子維特征)變化不大,但是上下位置有明顯不同,即兩種腦電數(shù)據(jù)的分形截距有明顯差異。為進(jìn)一步分析癲癇腦電和間歇期腦電信號(hào)的毯子維與分形截距特征的差異,圖2給出了波恩數(shù)據(jù)庫(kù)中間歇期腦電和癲癇腦電的毯子維及分形截距對(duì)比。兩種特征的均值及標(biāo)準(zhǔn)差如圖3所示。
從圖2可以看出,波恩腦電數(shù)據(jù)中間歇期腦電和癲癇腦電的分形截距特征能很好地分開(kāi)(如圖2(b)),而毯子維特征有明顯的交疊(如圖2(a))。圖3表明,波恩腦電數(shù)據(jù)中間歇期腦電和癲癇腦電的毯子維均值差異很小(癲癇腦電均值為2.66、標(biāo)準(zhǔn)差為0.22;間歇期腦電均值為 2.45、標(biāo)準(zhǔn)差為0.10),而分形截距均值差異較大(癲癇腦電均值為11.55,標(biāo)準(zhǔn)差為0.65;間歇期腦電均值為9.47,標(biāo)準(zhǔn)差為0.51)。
圖2 波恩腦電數(shù)據(jù)毯子維及分形截距對(duì)比(·代表癲癇腦電,+代表間歇期腦電)。(a)毯子維特征;(b)分形截距特征Fig.2 Comparison of blanket dimension and fractal intercept features for EEG data of Bonn (“·”representsictalEEG,“ +” representsinterictal EEG).(a)Blanket dimension feature;(b)Fractal intercept feature
圖4給出了齊魯醫(yī)院數(shù)據(jù)庫(kù)中間歇期腦電和癲癇腦電的毯子維特征及分形截距特征的對(duì)比,其中·代表癲癇腦電,+代表間歇期腦電。對(duì)應(yīng)圖4的毯子維和分形截距特征均值及標(biāo)準(zhǔn)差的對(duì)比如圖5所示。由圖4發(fā)現(xiàn),在齊魯醫(yī)院腦電數(shù)據(jù)中,間歇期腦電和癲癇腦電的分形截距特征同樣能夠很好地分開(kāi),而毯子維特征有多處交疊。同樣,圖5顯示,齊魯醫(yī)院腦電數(shù)據(jù)中間歇期腦電和癲癇腦電的毯子維特征均值差異很小(癲癇腦電均值為2.54,標(biāo)準(zhǔn)差為0.21;間歇期腦電均值為 2.45,標(biāo)準(zhǔn)差為0.14),而分形截距均值差異較大(癲癇腦電均值為10.3,標(biāo)準(zhǔn)差為0.51;間歇期腦電均值為8.94,標(biāo)準(zhǔn)差為0.21)。
圖3 波恩腦電數(shù)據(jù)毯子維及分形截距均值和標(biāo)準(zhǔn)差對(duì)比。(a)毯子維特征;(b)分形截距特征Fig.3 Comparison of the mean and standard deviation between blanket dimension and fractal intercept features for EEG data of Bonn.(a)blanket dimension feature; (b)fractal intercept feature
圖4 齊魯醫(yī)院腦電數(shù)據(jù)毯子維及分形截距對(duì)比(·代表癲癇腦電,+代表間歇期腦電)。(a)毯子維特征;(b)分形截距特征Fig.4 Comparison of blanket dimension and fractal intercept features for EEG data of Qilu Hospital(“·”represents ictal EEG,“+”represents interictal EEG).(a)blanket dimension feature;(b)fractal intercept feature
圖5 齊魯醫(yī)院腦電數(shù)據(jù)毯子維及分形截距均值和標(biāo)準(zhǔn)差對(duì)比。(a)毯子維特征;(b)分形截距特征Fig.5 Comparison of the mean and standard deviation between blanket dimension and fractal intercept features for EEG data of Qilu Hospital.(a)blanketdimension feature;(b)fractal intercept feature
支持向量機(jī)(SVM)是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法,具有很好的推廣能力[19]。SVM的基本思想是對(duì)于線性不可分樣本,經(jīng)非線性變換將其映射到另一個(gè)高維空間中,在變換后的空間中尋找一個(gè)最優(yōu)分界面(超平面),使之線性可分。為實(shí)現(xiàn)癲癇腦電檢測(cè),按文中1.2的步驟,將長(zhǎng)度L為1 024點(diǎn)的腦電數(shù)據(jù)段,分割成等長(zhǎng)M個(gè)子段,每個(gè)子段長(zhǎng)度為N,得到M個(gè)分形截距特征,組成該段腦電數(shù)據(jù)的分形截距特征向量,然后送入支持向量機(jī)(SVM)分類(lèi)器進(jìn)行訓(xùn)練和分類(lèi)測(cè)試,其中訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)各占一半。表1和表2給出了波恩和齊魯醫(yī)院癲癇腦電自動(dòng)檢測(cè)的結(jié)果,其中準(zhǔn)確率為癲癇腦電和間歇期腦電中被正確檢出的比率。
表1 德國(guó)波恩腦電數(shù)據(jù)檢測(cè)結(jié)果Tab.1 Detection results of EEG data in Bonn
表2 齊魯醫(yī)院腦電數(shù)據(jù)檢測(cè)結(jié)果Tab.2 Detection results of EEG data in Qilu Hospital
從表1和表2中觀察到,采用SVM分類(lèi)器對(duì)癲癇腦電和間歇期腦電的分形截距特征進(jìn)行分類(lèi),可以取得很好的檢測(cè)效果;對(duì)腦電數(shù)據(jù)進(jìn)行不同長(zhǎng)度分段,正確識(shí)別準(zhǔn)確率具有較好的穩(wěn)定性,說(shuō)明了分形截距特征對(duì)于數(shù)據(jù)長(zhǎng)度的穩(wěn)定性。
腦電在癲癇發(fā)作期較間歇期幅度變化大,波動(dòng)劇烈。基于毯子維的分形截距特征可以描述腦電數(shù)據(jù)在不同分辨率下變化的劇烈程度,實(shí)驗(yàn)中癲癇腦電的分形截距特征明顯高于間歇期腦電信號(hào),兩者具有明顯差異,而腦電信號(hào)的毯子維在發(fā)作前后變化規(guī)律則不明顯,因此可將分形截距作為癲癇腦電和間歇期腦電的分類(lèi)依據(jù)。分形截距特征可為癲癇腦電的特性分析、自動(dòng)檢測(cè)和癲癇發(fā)作預(yù)測(cè)提供有意義的參考,也為研究癲癇腦電的非線性動(dòng)力學(xué)特性提供了一種有效途徑。
由于目前治療方法的局限,一些頑固性癲癇患者得不到有效治療。若能在癲癇發(fā)作前預(yù)測(cè)到癲癇即將發(fā)作,即使是較短的時(shí)間,也可使患者或醫(yī)生能夠及時(shí)采取必要的預(yù)防保護(hù)措施,從而降低癲癇發(fā)作造成的損害。目前僅將分形截距特征用于癲癇腦電的檢測(cè),下一步擬針對(duì)癲癇發(fā)作的非線性預(yù)測(cè)做進(jìn)一步研究。
本研究將二維的毯子維和分形截距算法進(jìn)行改進(jìn),使其適合一維信號(hào)的非線性特征提取;對(duì)癲癇腦電信號(hào)進(jìn)行了毯子維和分形截距特征分析,并將分形截距特征應(yīng)用于癲癇腦電信號(hào)的檢測(cè)。研究發(fā)現(xiàn),癲癇腦電信號(hào)的分形截距特征明顯大于間歇期腦電的分形截距特征,而腦電信號(hào)的毯子維在發(fā)作前后變化規(guī)律不明顯。相對(duì)毯子維特征而言,分形截距特征更能明顯地區(qū)分癲癇腦電和間歇期腦電,且對(duì)數(shù)據(jù)長(zhǎng)度有較好的穩(wěn)定性。
癲癇已成為腦電非線性分析研究的熱點(diǎn)和前沿。對(duì)腦電進(jìn)行非線性分析,有助于理解癲癇發(fā)生過(guò)程中腦電的變化,并可進(jìn)一步用于癲癇檢測(cè)和預(yù)測(cè)癲癇的發(fā)作?;谔鹤泳S的分形截距特征能夠很好地描述腦電數(shù)據(jù)在不同分辨率下的變化特性,可有效地區(qū)分癲癇腦電與間歇期腦電,具有較強(qiáng)的癲癇腦電檢測(cè)性能。
(致謝 論文工作得到了山東大學(xué)齊魯醫(yī)院王紀(jì)文主任醫(yī)師和賈桂娟技師的幫助,在此表示感謝。)
[1]李勇,高小榕,楊福生,等.高分辨腦電圖的理論研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2005,24(1):59-65.
[2]黃遠(yuǎn)桂,吳聲伶.臨床腦電圖學(xué)[M].西安:陜西科學(xué)技術(shù)出版社,1984:162-195.
[3]KannathalN, Rajendra AcharyaU, Lim C M, etal.Charateriaztion of EEG:a comparative study[J].Computer Methods and Programs in Biomedicine,2005,80(1):17-23.
[4]范金鋒,邵晨曦,王劍,等.醉酒者腦電和正常腦電非線性特征的比較評(píng)估[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2008,27(1):18-28.
[5]蔡冬梅,周衛(wèi)東,劉凱,等.基于Hurst指數(shù)和SVM的腦電癲癇檢測(cè)方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2010,29(6):836-840.
[6]任志軍,田心.腦電高階Lyapunov指數(shù)的估計(jì)及其仿真計(jì)算[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2005,24(6):676 -680.
[7]李春勝,王宏,趙海濱,等.腦電混沌維數(shù)復(fù)雜度連續(xù)檢測(cè)方法的研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2009,28(6):846-850.
[8]Srinivasan V,Sriraam N.Approximate entropy-based epileptic EEG detection using artificial neural networks[J]. IEEE Transaction on Information Technology in Biomedicine Engineering.2007,11(3):288-295.
[9]孟慶芳,周衛(wèi)東,陳月輝,等.基于非線性預(yù)測(cè)效果的癲癇腦電信號(hào)的特征提取方法[J].物理學(xué)報(bào),2010,59(1):123-129.
[10]Silva C,Pimentel IR,Andrade A,et al.Correlation dimension maps of EEG from epileptic absences[J].Brain Topogr,1999,11(3):201-209.
[11]Widman G,Lehnertz K,Urbach H,et al.Spatial distribution of neuronal complexity loss in neocortical lesional epilepsies[J].Epilepsia:Journal of the International League against Epilepsy,2000,41(7):811-817.
[12]趙瑩.基于分形幾何學(xué)的圖像信息表示及其應(yīng)用研究[D].合肥:合肥工業(yè)大學(xué),2009.
[13]Shmuel P,Joseph N,Ralph H,et al.Multiple Resolution texture Analysis and Classification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1984,6(4):518 -523.
[14]趙龍蓮,梁作清,伍文清,等.生物反饋訓(xùn)練后癲癇患者腦電相關(guān)維數(shù)變化的分析[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2010,29(1):71-76.
[15]楊浩,方良,何為.腦電信號(hào)分?jǐn)?shù)維值的分析研究[J].生物醫(yī)學(xué)工程學(xué)雜志,2004,24(1):81 -84.
[16]Chaudhuri B B,Nirupam S.Texture segmentation using fractal dimensions[J].IEEE Transactions on Pattern Analysis and Machine Intelligent,1995,17(1):72 -77.
[17]Gautama T, MandicDP, VanHulleMM. Indicationsof nonlinear structures in brain electrical activity[J],Physical Review E,2003 67:046204.
[18]Andrzejak RG,Lehnertz K,Mormann F,et al.Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity:Dependence on recording region and brain state[J].Physical Review,2001,64(6):061907.
[19]邊肇祺,張學(xué)工.模式識(shí)別[M].(第二版).北京:清華大學(xué)出版社,2000:296-303.
中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)2011年4期