多導(dǎo)聯(lián)癲癇腦電信號高頻振蕩特征提取與病灶定位算法

王春生，黎清清，吳敏，王東生，杜玉曉

?

多導(dǎo)聯(lián)癲癇腦電信號高頻振蕩特征提取與病灶定位算法

王春生1，黎清清1，吳敏1，王東生2，杜玉曉3

(1. 中南大學(xué)信息科學(xué)與工程學(xué)院，湖南長沙，410083；2. 中南大學(xué)湘雅醫(yī)院，湖南長沙，410008；3. 廣東工業(yè)大學(xué)自動化學(xué)院，廣東廣州，510006)

針對癲癇腦電信號中識別高頻振蕩節(jié)律困難的問題，提出一種基于Teager能量算子和曲線長度的多導(dǎo)聯(lián)高頻振蕩節(jié)律(high-frequency oscillations，HFOs)特征提取與病灶定位算法。首先，采用陷波器和FIR數(shù)字濾波器對癲癇高頻振蕩信號進行預(yù)處理，其次，利用Teager能量算子和曲線長度對高頻振蕩節(jié)律的特征進行提取。最后，以功率譜為手段進行癲癇病灶定位。實際癲癇高頻振蕩仿真實驗結(jié)果驗證了該方法的有效性。

癲癇腦電；高頻振蕩；Teager能量算子；特征提??；癲癇病灶定位

全世界癲癇病的年發(fā)病率為(50~70)/10 萬。據(jù)估計，美國人口的1%~2%患有癲癇；而由世界衛(wèi)生組織在我國組織的大規(guī)模調(diào)查報告，我國國內(nèi)的患病率約為8‰，這意味著國內(nèi)有1千多萬癲癇患者[1?2]，其中難治性癲癇為250萬人左右。癲癇在神經(jīng)系統(tǒng)類疾病中已經(jīng)是僅次于腦血管病的疾病[3]，研究癲癇發(fā)作過程中的各種異常腦電信號對癲癇的診斷和治療具有重要意義。目前，對于癲癇腦電信號的研究大都集中在100 Hz以下的頻率段。而研究表明，在癲癇發(fā)作前后，利用顱內(nèi)電極進行高采樣率采集腦電信號可以發(fā)現(xiàn)一種頻率段更高的信號，稱為高頻振蕩節(jié)律HFOs (high-frequency oscillations)，與癲癇發(fā)作有著密切關(guān)系[4]，反映了癲癇發(fā)作過程中異常腦電信號的重要特征[5?6]，其中，在80~200 Hz頻率范圍內(nèi)的高頻振蕩節(jié)律被稱為“ripples”，可視為一種正常的高頻振蕩節(jié)律；超過200 Hz的高頻振蕩信號多被認為是一種病理性的高頻振蕩節(jié)律，與癲癇發(fā)作過程中生理變化產(chǎn)生的異常腦電信號有著密切聯(lián)系，主要包括頻率范圍為200~600 Hz的快速ripples(FRS)和1.0~2.0 kHz頻率范圍的VHFO(very high frequency oscillations)[7]。病理性的HFOs和正常的HFOs的主要區(qū)別是其發(fā)生的部位不同，正常的HFOs不可能發(fā)生在齒狀回結(jié)構(gòu)中。在癲癇發(fā)作時，伴隨著HFOs的產(chǎn)生和擴散，當(dāng)影響到大腦的運動皮層區(qū)時，表現(xiàn)為患者的局部運動癥狀即所謂的臨床表現(xiàn)形式。在癲癇發(fā)作間期，HFOs具有分布的特異性，在癲癇始發(fā)區(qū)域從外至內(nèi)，HFOs發(fā)生的頻率越來越高，特別是FRS，越靠近癲癇病灶的核心區(qū)，記錄的FRS頻率就越高[8]。在時間上，在癲癇發(fā)作間期會有一個HFOs從內(nèi)至外的擴散過程，從空間上，越靠近癲癇的病灶始發(fā)區(qū)，記錄的FRS頻率應(yīng)該越高。對于VHFO，人們對它的研究起步較晚，而且由于它的頻率非常高導(dǎo)致采集更加困難，現(xiàn)在對高頻振蕩信號的研究還主要集中在ripples和FRS這2種信號。國外學(xué)者對高頻振蕩的分析算法進行了探索性研究。加州大學(xué)的研究人員[9]使用12位精度的16通道采樣系統(tǒng)采集人體腦內(nèi)顱內(nèi)寬頻帶為0.1~5.0 kHz的腦電信號，利用FFT功率頻譜分析后用海明窗(FIR)函數(shù)法帶通濾波器獲得80~200 Hz的頻率段，再通過非線性擬合洛侖茲分配從運動電子和視覺干擾信號中提取出高頻振蕩波。Jose等[10]用12位精度的16通道采樣系統(tǒng)采集寬頻帶1~5 kHz的模擬高頻波信號，其采樣頻率為20 kHz，獲取高頻信號熵之后，用FIR帶通濾波器獲得頻率為250~600 Hz的帶通信號，然后結(jié)合希爾伯特變換進行寬帶相移獲取有用的高頻信號。Smart等[11]用腦電圖來自動檢測癲癇患者顱內(nèi)的高頻振蕩，采用1個12位的64通道癲癇檢測系統(tǒng)，以200 Hz的采用頻率采集0.1~100 Hz寬頻帶的腦電波，采取1 min/數(shù)據(jù)段的方式對多個數(shù)據(jù)段進行高通濾波，再對每一段的數(shù)據(jù)進行特征提取，進而獲取癲癇高頻信號。目前，對于高頻振蕩信號的研究還不成熟，國內(nèi)外僅有10余家單位研究關(guān)于癲癇的高頻振蕩信號的提取，且采用的方法主要是FFT功率譜分析[9]、FIR濾波[9?10]、定量分析[11]、拉普拉斯變換[12]、小波變換熵[13]、支持向量機[14]和MP算法[15]等，研究成果也仍未用于臨床診斷。為此，本文作者針對高頻振蕩節(jié)律識別困難的問題，先對原始數(shù)據(jù)進行50 Hz倍頻陷波，消除工頻干擾，提出基于FIR帶通濾波器和Teager能量算子的算法來提取高頻振蕩信號，并結(jié)合其功率譜密度分析，通過尋找FRS發(fā)生頻率最高的導(dǎo)聯(lián)，實現(xiàn)癲癇病灶始發(fā)區(qū)的定位，以便于癲癇疾病的治療。

1 高頻振蕩特征提取與病灶定位算法

癲癇腦電信號處理過程如圖1所示。

圖1 結(jié)構(gòu)框圖

1.1 癲癇腦電信號的預(yù)處理

腦電(electroencephalogram, EEG)是大腦組織中大量的神經(jīng)元群突觸后電流在大腦皮層或頭皮表面的綜合表現(xiàn)，能夠很好地反映腦信息[16]?，F(xiàn)代腦科學(xué)研究表明，多導(dǎo)的腦電信號蘊含著多種生理現(xiàn)象，按照一定標(biāo)準(zhǔn)放置的多個電極處同步采集的電信號，反映更多的動態(tài)信息[17]。因為腦電是通過不同位置的電極測量得到的，所以，這些電極不僅記錄了腦內(nèi)神經(jīng)元電活動，而且記錄了各種干擾信號，如工頻干擾、眼球運動、呼吸波干擾和肌電干擾等。

預(yù)處理過程中最常用的是對信號進行數(shù)字濾波，根據(jù)HFOs的頻率特點，所需信號的頻率段為ripples(80~200 Hz)和FRS(200~600 Hz)。設(shè)計有限長脈沖響應(yīng)濾波器(finite impulse response, FIR)截取相應(yīng)頻率段的信號，消除其他無關(guān)信號[18]。

利用MATLAB設(shè)計50 Hz倍頻工頻陷波器，采用窗函數(shù)法設(shè)計FIR帶通濾波器。窗口類型采用漢明窗，濾波器的階數(shù)選擇150階，通頻帶為80~200 Hz和200~600 Hz。

1.2 高頻振蕩節(jié)律的特征提取

為了進一步確定某段信號是否為HFOs，需要對濾波之后的信號進行特征提取。要從背景信號中獲得準(zhǔn)確的定量信息。選取類別可分的特征是關(guān)鍵，本文采用Teager能量算子和曲線長度法進行特征提取。Teager能量算子原始的表達式為

可將式(1)進一步推導(dǎo)為連續(xù)信號表達式(2)和離散信號表達式(3)[19]，Teager能量算子的輸出值稱為TEO(teager energy operator)值(記為TE)。對于任意連續(xù)信號，Teager能量算子的定義式為

對于離散信號，每一個瞬時只需計算連續(xù)3個樣本數(shù)據(jù)點就可以得到任意時刻處的信號能量，具有很好的瞬時性。

通過計算幾個連續(xù)TE的曲線長度可以得到TE的1個閾值，用于去除較低的TE，增強TE的分離效果。曲線長度的定義式為

其中：為連續(xù)所取的點數(shù)。因為在Teager能量信號的任意能量值點處，前后的橫坐標(biāo)之差為1，因此，連續(xù)2點之間的曲線長度可以近似用其縱坐標(biāo)之差來代替，而又能夠很好地控制這一串?dāng)?shù)據(jù)曲線長度所選取的點數(shù)。

1.3 高頻振蕩節(jié)律的病灶定位

信號通常以波的形式體現(xiàn)，將波的頻譜密度乘以1個適當(dāng)系數(shù)后可得到每單位頻率波攜帶的功率，稱為信號的功率譜密度(power spectral density, PSD，記為PS)。

對于不同導(dǎo)聯(lián)上的癲癇信號，越靠近癲癇病灶位，產(chǎn)生的HFOs頻率會更加高，含有高頻振蕩節(jié)律的導(dǎo)聯(lián)比未含有高頻振蕩節(jié)律的導(dǎo)聯(lián)上的高頻成分要多。對于含有高頻振蕩信號的導(dǎo)聯(lián)，其所攜帶的功率要比未含有高頻振蕩信號的導(dǎo)聯(lián)攜帶功率要大，其PS越大?；诖颂攸c，本文提出高頻振蕩節(jié)律的病灶定位算法。

對于直接法的功率譜估計，當(dāng)數(shù)據(jù)長度太大時，譜曲線起伏加劇，若太小，譜的分辨率又不高，則可用Bartlett法進行改進。

Bartlett平均周期圖方法是將點的有限長序列分段求周期圖再平均，將分成段，每段有個樣本，因而。第段樣本序列可寫成(0≤≤?1, 1≤≤)，第段的功率譜密度PS的估計值為

譜估計定義為段功率譜密度PS的平均估計值為

利用Welch法對Bartlett法進行2方面修正：一是選擇適當(dāng)?shù)拇昂瘮?shù)，并在周期圖計算前直接加進去；二是在分段時，使各段之間有重疊，這樣會使方差減小。

2 實驗結(jié)果分析與癲癇定位應(yīng)用

本文所用的腦電位信號數(shù)據(jù)來源于國內(nèi)某醫(yī)院，采用的是深入電極采集方式，采樣頻率為2.0 kHz，采集的導(dǎo)聯(lián)數(shù)為64導(dǎo)聯(lián)。據(jù)第1個病人的腦電位，確定其第3導(dǎo)聯(lián)對應(yīng)癲癇病灶位。

首先，利用工頻陷波器和FIR數(shù)字帶通濾波器對腦電位進行預(yù)處理。采用的數(shù)據(jù)源是知道含有HFOs的第3導(dǎo)聯(lián)癲癇病人的腦電位。原始腦電位信號數(shù)據(jù)和預(yù)處理之后數(shù)據(jù)對比如圖2所示，頻譜對比圖如圖3所示。

從圖2可以看出有效信號的幅值集中在?300~300 μV，陷波前后腦電位數(shù)據(jù)差異很大，經(jīng)過200~600 Hz帶通濾波后，可以看到FRS存在，其幅值為?10~10 μV，說明高頻振蕩節(jié)律具有高頻率低幅值的特點。由圖3也可以說明50 Hz倍頻干擾信號在原始數(shù)據(jù)中大量存在。

(a) 原始腦電信號數(shù)據(jù)；(b) 陷波后腦電信號數(shù)據(jù)；(c) 帶通濾波后腦電信號數(shù)據(jù)

(a) 原始腦電信號數(shù)據(jù)頻譜；(b) 陷波后腦電信號數(shù)據(jù)頻譜；(c) 帶通濾波后腦電信號數(shù)據(jù)頻譜

事實上，在對本組腦電位數(shù)據(jù)的全部64個導(dǎo)聯(lián)進行80~200 Hz和200~600 Hz帶通濾波分析之后發(fā)現(xiàn)：80~200 Hz的ripples在許多導(dǎo)聯(lián)上存在，而明顯的200~600 Hz的FRS只是在第3導(dǎo)聯(lián)上存在，說明FRS能夠直接反映癲癇的發(fā)作，而ripples與癲癇發(fā)作的關(guān)系還需進一步研究。

其次，利用Teager能量算子和曲線長度法對高頻振蕩進行特征提取。計算第3導(dǎo)聯(lián)的Teager能量算子結(jié)果圖，如圖4所示，而未含有FRS節(jié)律的第1導(dǎo)聯(lián)的Teager能量算子結(jié)果如圖5所示。

(a) 導(dǎo)聯(lián)3帶通濾波后數(shù)據(jù)；(b) Teager能量算子數(shù)據(jù)

(a) 導(dǎo)聯(lián)1帶通濾波后數(shù)據(jù)；(b) Teager能量算子數(shù)據(jù)

從圖4可以看出：在數(shù)據(jù)的前4 000個采樣點，每個較大的TE對應(yīng)著原始數(shù)據(jù)的每個FRS節(jié)律，而且FRS表現(xiàn)得越明顯，其TE更大；而在4 000以后的采樣點的幅值并不比FRS的小，但通過TE計算之后并沒有很大TE，說明其頻率應(yīng)該比FRS的低。利用Teager能量算子可以很好地將高頻率的FRS特征表現(xiàn)出來。

從圖5中也可以看出對于未含有FRS的導(dǎo)聯(lián)求出的TE分布圖與圖4中含有FRS導(dǎo)聯(lián)的TE分布有明顯區(qū)別，說明Teager能量算子檢測FRS存在的有效性。

為了進一步修正TE的空間分離效果，消除低TE對結(jié)果的影響，利用曲線長度確定TE閾值，舍棄非FRS的TE。在式(4)中，取為3，計算連續(xù)3個點TE的曲線長度，第3導(dǎo)聯(lián)TE的曲線長度分布如圖6所示。

從圖6可以看到第3導(dǎo)聯(lián)的TE主要分布在6以下，加上1個連續(xù)3點的曲線長度閾值6，再計算TE，其結(jié)果如圖7所示。

圖6 第3導(dǎo)聯(lián)電位曲線長度OTE分布圖

(a) 導(dǎo)聯(lián)3帶通濾波后腦電數(shù)據(jù)；(b) 導(dǎo)聯(lián)3的TE；(c) 導(dǎo)聯(lián)3加閾值的TE

圖7帶閾值第3導(dǎo)聯(lián)Teager能量算子

Fig. 7 Teager energy operator of the 3rd electrode with threshold

從圖7可以看出：在結(jié)果中加入閾值之后可以更好地增強TEO在特征空間的分離結(jié)果，使結(jié)果更加清晰、明了。其PSD譜對比圖如圖8所示。

1—導(dǎo)聯(lián)1；2—導(dǎo)聯(lián)3；3—導(dǎo)聯(lián)38

從圖8可以看出：含有HFOs導(dǎo)聯(lián)的PS高頻段比其他導(dǎo)聯(lián)的PS大。根據(jù)不同導(dǎo)聯(lián)的PS進行癲癇病灶位的初步判讀原則，PS最大的導(dǎo)聯(lián)認為是含有大量HFOs的導(dǎo)聯(lián)，其對應(yīng)的腦部位置就是癲癇病灶位置，因此，可以認為PS大的導(dǎo)聯(lián)對應(yīng)腦部的癲癇病灶位。

為了驗證方法的有效性，對第2個病人的癲癇數(shù)據(jù)進行處理(處理之前不知道癲癇病灶位所對應(yīng)的導(dǎo)聯(lián))。結(jié)果表明：第2個病人的疑似癲癇病灶位導(dǎo)聯(lián)分別為第42導(dǎo)聯(lián)、第50導(dǎo)聯(lián)、第55導(dǎo)聯(lián)、第60導(dǎo)聯(lián)和第61導(dǎo)聯(lián)。為了保證結(jié)果的清晰度，給出其中3個導(dǎo)聯(lián)的結(jié)果，其帶通濾波之后的結(jié)果見圖9。

(a) 導(dǎo)聯(lián)42；(b) 導(dǎo)聯(lián)50；(c) 導(dǎo)聯(lián)55

從圖9可以看出：第2個病人的癲癇數(shù)據(jù)不像第1個病人的癲癇數(shù)據(jù)那樣好判讀，在第2個病人5個導(dǎo)聯(lián)上同時檢測到FRS，說明FRS擴散到某一區(qū)域比較快，被幾個導(dǎo)聯(lián)同時檢測到。其中細微的差別是第55導(dǎo)聯(lián)的值更加大。第2個病人癲癇數(shù)據(jù)對應(yīng)的TE如圖10所示，PS對比圖如圖11所示。

(a) 導(dǎo)聯(lián)42 ；(b) 導(dǎo)聯(lián)50 ；(c) 導(dǎo)聯(lián)55

1—導(dǎo)聯(lián)42；2—導(dǎo)聯(lián)50；3—導(dǎo)聯(lián)55；4—導(dǎo)聯(lián)60；5—導(dǎo)聯(lián)61

從圖10可以看出：對于檢測到的FRS，對應(yīng)的第55導(dǎo)聯(lián)的TE比其他導(dǎo)聯(lián)的TE要大得多。通過與圖11所示PS對比可以看出：第55導(dǎo)聯(lián)上的高頻成分最多，表明第2個病人的癲癇病灶始發(fā)區(qū)為第55導(dǎo)聯(lián)。該結(jié)果與醫(yī)生所診斷的結(jié)果一致，證明了該方法的有效性。

3 結(jié)論

1) 對真實腦電癲癇數(shù)據(jù)的工頻陷波、FIR帶通濾波進行預(yù)處理，基于HFOs 的能量和頻率特征，利用Teager能量算子和曲線長度法對高頻振蕩節(jié)律特征進行提取，并結(jié)合功率譜對癲癇病灶進行初步定位。

2) Teager能量算子可以成功地檢測到高頻振蕩節(jié)律特別是FRS，在此基礎(chǔ)上，選擇疑似含有HFOs的導(dǎo)聯(lián)計算其PSD進行癲癇病灶位判讀。

3) 實際癲癇高頻振蕩數(shù)據(jù)仿真實驗結(jié)果驗證了該方法的有效性。

[1] 季偉華, 苗玲. 抗癲癇藥物與認知障礙[J]. 中國現(xiàn)代神經(jīng)疾病雜志, 2008, 8(6): 572?576. JI Weihua, MIAO Ling. Antiepileptic drugs and cognitive impairment[J]. Chinese Journal of Contemporary Neurology and Neurosurgery, 2008, 8(6): 572?576.

[2] 韓仲謀, 張曉琴. 癲癇致癇灶、病理灶的定位研究進展[J]. 國際神經(jīng)病學(xué)神經(jīng)外科學(xué)雜志, 2010, 37(5): 461?465. HAN Zhongmou, ZHANG Xiaoqin. The study progress of epilepsy epileptic foci[J]. Journal of International Neurology and Neurosurgery, 2010, 37(5): 461?465.

[3] 婁平陽, 張建國. 難治性癲癇的術(shù)前評估及手術(shù)治療[J]. 立體定向和功能性神經(jīng)外科雜志, 2008, 21(3): 176?181. LOU Pingyang, ZHANG Jianguo. Preoperative assessment of refractory epilepsy and surgery[J]. Chinese Journal of Stereotactic and Functional Neurosurgery, 2008, 21(3): 176?181.

[4] Worrell G A, Parish L, Cranstoun S D, et al. High-frequency oscillations and seizure generation in neocortical epilepsy[J]. Brain, 2004, 127(7): 1496?1506.

[5] Bragin A, Mody I, Wilson C L. Local generation of fast ripples in epileptic brain[J]. The Journal of Neuroscience, 2002, 22(5): 2012?2021.

[6] Bragin A, Wilson C, Engel J. Chronic epileptogenesis requires development of a network of pathologically interconnected neuron clusters: A hypothesis[J]. Epilepsia, 2000, 41(6): 144?152.

[7] 董軒萁, 彭毓莠, 伍炯星. 高頻振蕩節(jié)律的起源、定位及其意義[J]. 生理科學(xué)進展, 2012, 43(3): 235?237. DONG Xuanji, PENG Yuxiu, WU Jiongxing. The high-frequency oscillation rhythm's origin, positioning and significance[J]. Progress in Physiological Sciences, 2012, 43(3): 235?237.

[8] Milan B, Jose H, Pavel J, et al. Interictal high-frequency oscillations indicate seizure onset zone in patients with focal cortical dysplasia[J]. Epilepsy Research, 2010, 90(1/2): 28?32.

[9] Staba R J, Wilson C L, Bragin A, et al. Quantitative analysis of high-frequency oscillations (80?500 Hz) recorded in human epileptic hippocampus and entorhinal cortex[J]. Journal of Neurophysiology, 2002, 88(4): 1743?1752.

[10] Jose I, Guglielmo F, Elena C. Emergent dynamics of fast ripples in the epileptic hippocampus[J]. Neuroscience, 2010, 30(48): 16249?16261.

[11] Smart O L, Worrell G A, Vachtsevanos G J, et al. Automatic detection of high frequency epileptiform oscillations from intracranial EEG recordings of patients with neocortical epilepsy[C]// 2005 IEEE Regions and IEEE Denver Section Technical, Professional and Student Development Workshop. Boulder, USA, 2005: 53?58.

[12] Makeyev O, Liu X, Wang L L, et al. Feasibility of recording high frequency oscillations with tripolar concentric ring electrodes during pentylenetetrazole-induced seizures in rats[C]// 34th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). San Diego, CA, USA, 2012: 4599?4602.

[13] HU Zhikun, XU Fei, GUI Weihua, et al. Wavelet matrix transform for time-series similarity measurement[J]. Journal of Central South University of Technology, 2009, 16(5): 0802?0806.

[14] HE Yongxiu, HE Haiying, WANG Yuejin, et al. Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine[J]. Journal of Central South University, 2011, 18(4): 1184?1192.

[15] Chaibi S, Bouet R, Jung J, et al. Development of Matlab-based graphical user interface(GUI) for detection of high frequency oscillations(HFOs) in epileptic patients[C]// 2012 IEEE International Conference on Emerging Signal Processing Applications. Las Vegas, NV, USA, 2012: 56?62.

[16] Yusuf U K, Jean G. High frequency oscillations in intracranial recordings of epileptic patients[C]// International Conference on Multimedia, Signal Processing and Communication Technologies. Aligarh, India, 2011: 126?129.

[17] Boashash B, Carson H, Mesbah M. Detection of seizures in newborns using time-frequency analysis of EEG signals[C]// Proceedings of the Tenth IEEE Workshop on Statistical Signal and Array Processing. Pocono Manor, PA, USA, 2000: 564?568.

[18] Biller S, Simon L, Fiedler P, et al. High frequency oscillations evoked by peripheral magnetic stimulation[C]// Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBS). Boston, MA, 2011: 1149?1152.

[19] Kaiser J F. On a simple algorithm to calculate the ‘energy’ of a signal[C]// Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing. Albuquerque, New Mexico, USA, 1990: 381?384.

(編輯 陳燦華)

High frequency oscillation feature extraction of multi-lead EEG epilepsy and lesion localization algorithm

WANG Chunsheng1, LI Qingqing1, WU Min1, WANG Dongsheng2, DU Yuxiao3

(1. School of Information Science and Engineering, Central South University, Changsha 410083, China;2. Xiangya Hospital, Central South University, Changsha 410008, China;3. School of Automation, Guangdong University of Technology, Guangzhou 510006, China)

Considering that it is difficult to identify the high frequency oscillation issues in epileptic electroencephalogram (EEG), a multi-lead high frequency oscillation feature extraction and lesion localization algorithm was proposed based on Teager energy operator and curve length. Firstly, a notch filter and FIR digital filters were adopted to preprocess the high frequency oscillation of epilepsy. Secondly, teager energy operator and curve length were used to extract features in high-frequency oscillation. Finally, power spectrum was taken as a means of initial positioning for epileptic foci. The experiment results of actual epilepsy high frequency oscillation data simulation verify the feasibility of the method.

eileptic electroencephalogram; high frequency oscillation; Teager energy operator; feature extraction; epilepsy positioning

10.11817/j.issn.1672-7207.2015.09.020

TP273

A

1672?7207(2015)09?3302?07

2014?10?22；

2014?12?26

國家自然科學(xué)基金資助項目(61573381) (Project(61573381) supported by the National Natural Science Foundation of China)

黎清清，博士，從事腦電信號處理研究；E-mail: liqingqing@csu.edu.cn