基于EEMD算法的癲癇腦電信號(hào)識(shí)別*

李 營(yíng)， 呂兆承

(1.淮南師范學(xué)院 電氣信息工程學(xué)院，安徽 淮南 232038；2.淮南師范學(xué)院 物理與電子信息系，安徽 淮南 232038)

癲癇是一種因?yàn)槟X部損傷而導(dǎo)致的腦部疾病，臨床表現(xiàn)為發(fā)作性意識(shí)改變、抽搐以及精神異常等，它屬于慢性疾病，反復(fù)發(fā)作，嚴(yán)重影響了患者的生活和工作[1]。在癲癇的研究中，腦電圖(EEG)會(huì)出現(xiàn)陣發(fā)性高幅慢波、棘波、尖波和棘-慢綜合波等特征波形[2]，根據(jù)波形，癲癇病人所處的階段分被為3個(gè)階段，分別是發(fā)作間隙、發(fā)作前期和發(fā)作階段。由于癲癇的突發(fā)性，若能在癲癇發(fā)作前，對(duì)癲癇發(fā)作進(jìn)行預(yù)測(cè)，則病人可及時(shí)用藥避開危險(xiǎn)。目前，癲癇的診斷主要依賴于有經(jīng)驗(yàn)的醫(yī)生對(duì)監(jiān)測(cè)患者腦電圖的長(zhǎng)期直接觀察進(jìn)而人為診斷，而長(zhǎng)期腦電圖的回放分析需要耗費(fèi)醫(yī)生大量的時(shí)間和精力，因此各種癲癇腦電自動(dòng)檢測(cè)與識(shí)別技術(shù)被人們研究和提出。常見到的方法有：時(shí)域、頻域、小波變換、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和非線性動(dòng)力學(xué)等方法[3，4]。提出一種基于集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)提特征后分類的腦電信號(hào)分類方法。首先利用EEMD將EEG信號(hào)分解，得到各階本征模式分量(IMF)，然后提取有效特征，最后用 LS-SVM算法對(duì)其進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，通過(guò)EEMD分解后得到IMF的特征向量可較好的對(duì)臨床采集的癲癇發(fā)作間歇期腦電和發(fā)作期腦電分類。

1 EEMD原理和EEG特征提取

1.1 集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?(EEMD)

經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴?EMD)分解信號(hào)時(shí)，會(huì)出現(xiàn)一個(gè)IMF分量包含若干個(gè)不同時(shí)間尺度特征成分的情況，稱之為模態(tài)混疊[5]。為了克服這種缺陷，Huang等人提出了EEMD算法，給信號(hào)加入高斯白噪聲(它具有零均值，頻率均勻分布等特性)，使得不同時(shí)間尺度的信號(hào)會(huì)自動(dòng)分布到合適的參考尺度上，經(jīng)過(guò)多次平均后，噪聲將相互抵消，集成均值的結(jié)果就可作為最終結(jié)果，促進(jìn)抗混分解，避免模式混淆現(xiàn)象[6]。

EEMD步驟如下：

(1) 向信號(hào)加入正態(tài)分布白噪聲。

(2) 將加入白噪聲的信號(hào)分解成各IMF分量。

(3) 重復(fù)步驟(1)、(2)，每次加入新的白噪聲序列。

(4) 將每次得到的IMF集成均值作為最終結(jié)果。

1.2 特征提取

1.2.1 IMF能量熵

根據(jù)信息論中香儂熵的定義，IMF分量ci(t)的能量Ei可采用式(1)計(jì)算，t1和t2分別為信號(hào)開始和結(jié)束時(shí)間，定義IMF能量熵的計(jì)算方法如式(2) 所示。

(1)

(2)

式(2)中pi=Ei/E，為第i個(gè)IMF分量的能量占整個(gè)信號(hào)能量的比例，E為整個(gè)信號(hào)的能量。

1.2.2AR模型參數(shù)估計(jì)

AR模型也被稱為自回歸模型。任何信號(hào)只要具有功率譜密度都可以看成由均值為零、方差為σ2的白噪聲e(n)激勵(lì)一系統(tǒng)形成，可寫成：

(3)

其中，p是AR模型的階數(shù)，ap(i)是p階AR模型的參數(shù)(i=1，2，…，p)。將其進(jìn)行z變換可得AR模型的傳遞函數(shù)為

(4)

該H(z)只有極點(diǎn)，沒(méi)有除原點(diǎn)以外的零點(diǎn)，故稱為全極點(diǎn)型。其功率譜密度表達(dá)式為

(5)

式(5)中：σw2為白噪聲的功率譜密度。因此只要σw2及所有ak的值，就可以得到隨機(jī)信號(hào)x(n)的功率譜。目前估計(jì)AR模型參數(shù)的方法有：相關(guān)函數(shù)類算法、 反射系數(shù)類算法和最小二乘類算法。采用反射系數(shù)類算法中的Burg算法求參數(shù)，AR模型參數(shù)階數(shù)p取6。

2 最小二乘支持向量機(jī)

LS-SVM是通過(guò)非線性映射，將輸入空間的樣本映射到高維的特征空間中，將尋找最優(yōu)線性回歸超平面的算法變?yōu)榍蠼饧s束條件下的二次規(guī)劃問(wèn)題，由此求得全局最優(yōu)解[7-10]。 LS-SVMlab工具箱用于分類回歸主要有4個(gè)函數(shù)：trainlssvm函數(shù)用來(lái)訓(xùn)練建立模型，simlssvm函數(shù)用于預(yù)估模型，plotlssvm函數(shù)是該工具箱的專用繪圖函數(shù)tunelssvm函數(shù)用于優(yōu)化參數(shù)。

支持向量機(jī)可由不同的核函數(shù)K(x，xi)，構(gòu)造，常見的有線性核函數(shù)，徑向基(RBF)核函數(shù)以及多項(xiàng)式核函數(shù)，選擇RBF核函數(shù)式(6)，即需要確定懲罰因子r和核參數(shù)δ。

K(x，xi)=exp(-‖x-xi‖2/2δ2)

(6)

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)自德國(guó)波恩癲癇研究室臨床采集的癲癇腦電數(shù)據(jù)庫(kù)[11]，數(shù)據(jù)庫(kù)含有5類腦電信號(hào)，分別用A-E 5個(gè)字母表示，每類含長(zhǎng)度為23.6 s的100個(gè)單通道腦電數(shù)據(jù)段，采樣頻173.61Hz，每個(gè)通道4096點(diǎn)。A和 B為正常人信號(hào)，C、D和E為用于5位癲癇病人手術(shù)前診斷的腦電記錄，其中，數(shù)據(jù)集C和D分別記錄了導(dǎo)致未發(fā)作的間歇期時(shí)監(jiān)測(cè)區(qū)域外和區(qū)域內(nèi)的腦電數(shù)據(jù)，數(shù)據(jù)集E記錄了癲癇活動(dòng)時(shí)的腦電。主要處理D類和E類數(shù)據(jù)。

3.2 實(shí)驗(yàn)過(guò)程及結(jié)果分析

癲癇發(fā)作前后腦電的區(qū)別很大，抽取D組F010段和E組S034段腦電的波形如圖1所示。將二者分解，由于文獻(xiàn)[3]建議白噪聲的幅值為原始信號(hào)幅值標(biāo)準(zhǔn)差的0.2 倍，集總平均的次數(shù) N取幾百。N取500，白噪聲的幅值取原信號(hào)標(biāo)準(zhǔn)方差的0.2倍。D組和E組EEMD分解圖及其前3個(gè)IMF分量如圖2和圖3所示。

圖1 兩類信號(hào)一段原始波形

圖2 D組011段EEMD圖

圖3 E組034段EEMD圖

根據(jù)臨床醫(yī)學(xué)研究中癲癇發(fā)作，未發(fā)作的間歇期的EEG頻率分布范圍，可提取各自100個(gè)樣本的IMF1- IMF2分量的能量熵和AR模型系數(shù)作為特征向量，其中D組和E組的前50個(gè)數(shù)據(jù)的特征值作為訓(xùn)練樣本，后50個(gè)做測(cè)試樣本。其分布如圖4和圖5所示。

圖4 IMF1特征分布

圖5 IMF2特征分布

從圖4和圖5可看出，采用IMF1時(shí)兩類的區(qū)分較為明顯，故僅采用式(2)和burg算法計(jì)算IMF1能量熵和AR模型參數(shù)分別作為特征向量分類，結(jié)果分別如表1所示，分類正確率分別為99.5%和91%。

采用LS-SVM訓(xùn)練和分類時(shí)，由訓(xùn)練樣本得到LS-SVM的參數(shù)，選擇徑向機(jī)核函數(shù)，采用交叉驗(yàn)證進(jìn)行尋優(yōu)，求出δ和r兩個(gè)參數(shù)值，得出訓(xùn)練好的分類器。將測(cè)試樣本提取特征向量后，送入該分類器。對(duì)測(cè)試樣本進(jìn)行多次分類試驗(yàn)，得到的平均分類結(jié)果。

表1 分類識(shí)別率對(duì)照表

結(jié)果分析：

(1) 對(duì)比圖1癲癇發(fā)作間歇期和發(fā)作期兩類信號(hào)原始波形，可發(fā)現(xiàn)發(fā)作期腦電的幅度遠(yuǎn)遠(yuǎn)高于間歇期，求頻譜后發(fā)現(xiàn)發(fā)作期腦電棘波、尖波的頻度高于間歇期腦電波的頻率，這與理論一致[11]。

(2) 對(duì)比圖4和圖5，可發(fā)現(xiàn)經(jīng)過(guò)EEMD分解后，在同一IMF分量下，兩類信號(hào)各分量IMF1-IMF2的幅度也明顯不同，故可以提取IMF分量的能量熵和AR模型參數(shù)作為分類特征。

(3) 從表1中可知，僅使用IMF1的能量熵能夠更好的區(qū)分兩類信號(hào)，分類正確率達(dá)到98%，經(jīng)過(guò)分析后認(rèn)為兩類信號(hào)的幅度差別較大，故采用能量熵區(qū)分時(shí)效果較為顯著。

4 結(jié) 論

EEMD算法與EMD算法相比較，它在信號(hào)的自適應(yīng)的分解過(guò)程中避免了模式混疊，各IMF是帶限的，隨著尺度的增大頻率逐漸降低，突出各IMF腦電分量的特征。將EEMD后的有效IMF能量熵和AR模型系數(shù)作為特征并結(jié)合LS-SVM對(duì)癲癇發(fā)作間歇期和發(fā)作期腦電分類，其效果與趙建林等[2]提出的SVM和小波分析方法識(shí)別更為準(zhǔn)確，經(jīng)分析是由于EEMD較小波分解具有自適應(yīng)性，因此IMF1能量熵能更突出癲癇腦電的特征。提出的方法對(duì)癲癇的自動(dòng)檢測(cè)和發(fā)作預(yù)測(cè)有一定價(jià)值。

參考文獻(xiàn)：

[1] HARVEY S.Epilepsy(review)[J].Epilepsy，2004(1)：1-26

[2] 趙建林，周衛(wèi)東，劉凱.SVM和小波分析方法在腦電分類中的應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志，2011，28(2)：277-279

[3] 時(shí)世晨，單佩韋.基于EEMD的信號(hào)處理方法分析和實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2011，34(1)：88-90

[4] 耿麗碩，范影樂(lè).基于Hilbert-Huang變換的思維腦電分類技術(shù)研究[J].電子器件，2009，32(2)：405-408

[5] 袁玲，楊幫華，馬世偉.基于HHT和SVM的運(yùn)動(dòng)想象腦電識(shí)別[J].儀器儀表學(xué)報(bào)，2010，31(3)：649-654

[6] 董文智，張超.基于EEMD能量熵和支持向量機(jī)的軸承故障診斷[J].機(jī)械設(shè)計(jì)與研究，2011，27(5)：53-56

[7] 戴桂平.基于EMD近似熵和LS-SVM的機(jī)械故障智能診斷[J].機(jī)械強(qiáng)度，2011，33(2)：165-167

[8] 張朝龍，江巨浪，李彥梅，等.基于云粒子群-最小二乘支持向量機(jī)的傳感器溫度補(bǔ)償[J].傳感技術(shù)學(xué)報(bào)，2012，25(4)：472-477.

[9] 張超，陳建軍，楊立東，等.奇異值熵和支持向量機(jī)的齒輪故障診斷[J].振動(dòng).測(cè)試與診斷，2011，31(5)：600-604

[10] 呂建新，吳虎勝，田杰.EEMD的非平穩(wěn)信號(hào)降噪及其故障診斷應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(28)：223-227

[11] 袁野.癲癇腦電的非線性方法分析[D].吉林大學(xué)，2009