基于腦電信號的癲癇疾病智能診斷與研究

柳長源 張付浩 韋琦

摘 要：針對醫(yī)療診斷中癲癇腦電信號分類準(zhǔn)確率低、分類類別少的問題，依據(jù)粒子群算法和支持向量機理論，提出了一種基于粒子群算法優(yōu)化支持向量機參數(shù)的信號分類檢測技術(shù)。首先利用小波分析對腦電信號進行5層分解與重構(gòu)，然后提取含有癲癇特征頻率的3、4、5層重構(gòu)信號的波動系數(shù)和近似熵等特征，計算不同狀態(tài)不同尺度的腦電信號能量，根據(jù)不同狀態(tài)不同尺度的能量分布，調(diào)整特征向量的系數(shù)。最后使用粒子群算法優(yōu)化的支持向量機對腦電信號進行分類。實驗結(jié)果表明，本文提出的方法可以正確識別健康、癲癇發(fā)作間期、癲癇發(fā)作期3種類型腦電信號，最終的識別率可以達(dá)到99.83%。

關(guān)鍵詞：

癲癇腦電信號；波動系數(shù)；近似熵；粒子群算法；支持向量機

DOI：10.15938/j.jhust.2018.03.016

中圖分類號： TP391.4；R318.04

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2018）03-0091-08

Intelligent Diagnosis and Research of Epileptic Diseases Based on EEG Signals

LIU Chang-yuan， ZHANG Fu-hao， WEI Qi

（School of Electrical and Electronic Engineering， Harbin University of Science and Technology， Harbin 150080，China）

Abstract：Aiming at the problem of low accuracy and classification of epileptic EEG in medical diagnosis，a signal classification and detection technique based on particle swarm optimization （PSO） was proposed to optimize the support vector machine （SVM） based on the theory of particle swarm optimization and support vector machine （SVM）.Firstly， the EEG signals were decomposed and reconstructed by wavelet analysis.Secondly， the coefficients of fluctuation and approximate entropy of the reconstructed signals containing the functional parameters of epilepsy were extracted. Finally， The support vector machine （SVM） optimized by particle swarm optimization （PSO） is used to classify the EEG signals. The experimental results show that the this method can correctly identify three types of EEG signals in healthy， interictal epilepsy and epileptic seizures， the final recognition rate can reach 99.83%.

Keywords：epileptic EEG signals；coefficient of fluctuation； approximate entropy；particle swarm optimization； support vector machine

0 引 言

癲癇是一種以腦內(nèi)神經(jīng)元異常放電為特征的部分或全腦功能障礙的慢性病，我國擁有數(shù)量龐大的癲癇患者，且每年以60萬例的速度在增加[1]。癲癇腦電信號分類與檢測技術(shù)有助于減少醫(yī)務(wù)工作者的工作量，具有實際意義臨床應(yīng)用[2]。袁琦等用近似熵、波動系數(shù)、極端學(xué)習(xí)機對癲癇腦電信號進行二分類，將腦電信號診斷為正常和癲癇發(fā)作期狀態(tài)，識別率為98%[3]。龐春穎等根據(jù)改進的經(jīng)驗?zāi)Ｊ椒纸夂椭С窒蛄繖C，對正常腦電信號和癲癇腦電信號進行分類，識別率為94% [4]。張濤等利用小波包分解系數(shù)矩陣、小波包熵、AdaBoost算法，將腦電信號分類成正常狀態(tài)和癲癇發(fā)作狀態(tài)，最終識別率為97.5%[6-7]。孟慶芳等用支持向量機和遞歸定量分析分類腦電信號，識別率為96% [5]。王杰等用樣本熵、AR參數(shù)和自適應(yīng)極限學(xué)習(xí)機對腦電信號進行分類，分類準(zhǔn)確率為97.16%[8]。Lee Y等用小波變換和高階矩相結(jié)合的方法提取特征，使用支持向量機對腦電信號進行分類，最終的識別率達(dá)到94.5%[9]。上述文獻(xiàn)將腦電信號分類成正常狀態(tài)和癲癇狀態(tài)，但沒有考慮癲癇發(fā)作間歇期信號的分類。本文提出一種粒子群算法優(yōu)化支持向量機的信號分類檢測技術(shù)，在保證分類精度的基礎(chǔ)上，腦電信號被分類為正常狀態(tài)，癲癇間歇期狀態(tài)，癲癇發(fā)作狀態(tài)。

1 實驗數(shù)據(jù)與預(yù)處理

1.1 實驗數(shù)據(jù)

本文使用的數(shù)據(jù)來源于德國波恩癲癇研究院癲癇腦電數(shù)據(jù)庫，（文件下載網(wǎng)址http：//epileptologie-bonn.de/cms/front_content.php），該研究院腦電數(shù)據(jù)已廣泛應(yīng)用于癲癇腦電的分類與檢測中[10]。實驗數(shù)據(jù)統(tǒng)計如表1，該數(shù)據(jù)庫分為5個數(shù)據(jù)集，數(shù)據(jù)集A、B是健康人在睜眼和閉眼時采集到的數(shù)據(jù)；數(shù)據(jù)集C、D是在致癇灶外和致癇灶區(qū)收集的數(shù)據(jù)，數(shù)據(jù)集E是癲癇患者癲癇發(fā)作時獲得的數(shù)據(jù)。

1.2 腦電信號預(yù)處理

本文主要對正常、癲癇發(fā)作間歇期、癲癇發(fā)作期的腦電信號進行分類與檢測，使用數(shù)據(jù)集A、數(shù)據(jù)集D、數(shù)據(jù)集E進行后續(xù)的實驗。每個數(shù)據(jù)集包括100段腦電信號，每段時長23.6s，每段信號采集4097點，采樣頻率為173.6Hz。由Nyquist采樣定理[11-13]，我們可以得出如下結(jié)論，癲癇腦電信號最高頻率為80Hz左右，經(jīng)研究表明，癲癇腦電波異常頻率主要分布在0.5～35Hz之間，因此首先利用小波變換，對腦電信號進行分解與重構(gòu)，提取出有效頻段，然后求解特征向量。本文利用db4小波對實驗數(shù)據(jù)集A、實驗數(shù)據(jù)集D、實驗數(shù)據(jù)集E進行5層小波分解重構(gòu)，其中第3、4、5層重構(gòu)信號頻率主要集中在癲癇特征頻段[15]。因此本次實驗中，提取第3、4、5層重構(gòu)信號的特征構(gòu)建特征向量。

2 特征提取

由上節(jié)論述得知，本文要提取小波分解與重構(gòu)后的第3、4、5層的腦電信號特征。根據(jù)腦電圖（electroencephalograph， EEG） 在癲癇發(fā)作時，時頻域的變化和時間復(fù)雜度的不同，本文提取波動系數(shù)，近似熵等特征表征癲癇腦電信號。

2.1 改進近似熵算法

近似熵算法（approximate entropy，ApEn） 能較好的反映信號序列的時間復(fù)雜性，是對產(chǎn)生一個新的模式的信號的概率的定量描述。序列越復(fù)雜，則近似熵越大，反之則越小。近似熵具有很強的抗干擾能力，可用近似熵作為特征提取平穩(wěn)信號和隨機信號。

對待處理的N個數(shù)據(jù)點的癲癇腦電信號，通過改進的近似熵算法進行計算，ApEn的值與m，r的取值有關(guān)。本文取m=2，r=0.2*std（sig），std（sig）為信號sig的標(biāo)準(zhǔn)差：

1）計算N*N的距離矩陣D，D的第i行第j列元素記為dij，所有我們可知距離矩陣D為對稱矩陣。

di，j=1， ui-uj

0，ui-uj≥r，i=1～N，j=1～N（1）

2）利用距離矩陣D中的元素，求得Cmi，Cm+1i：

Cmi=∑N-1j=1dij∩di+1j+1（2）

Cm+1i=∑N-2j=1dij∩di+1j+1∩di+2j+2（3）

3）根據(jù)Cmi，Cm+1i計算φmr和φm+1r

φmr=∑N-m+1i=1log（Cmi）/N-m+1（4）

φm+1r=∑N-m+1i=1log（Cm+1i）/N-m+1（5）

4）最后，根據(jù)φmr和φm+1r求得近似熵：

ApEnm，r =φmr-φm+1r（6）

由圖1可見，健康狀態(tài)、癲癇發(fā)作間期、癲癇發(fā)作期的近似熵的幅值具有較大差別，提取腦電信號的近似熵可以較好的表征不同腦電信號。

2.2 波動系數(shù)

經(jīng)過長期的研究表明，癲癇發(fā)作時的腦電信號波動比正常時劇烈，不同狀態(tài)的腦電信號波動系數(shù)有較大的差異，因此可以選擇波動系數(shù)來衡量信號狀態(tài)[9-10]，波動系數(shù)可以表示為：

Fin=∑M-1j=1anij+1-ani（j）（7）

式中：ani為第n段腦電數(shù)據(jù)小波變換后第i層的幅度；M為信號的長度。n取值范圍1-100，i取值范圍3、4、5，M取1024。

由圖2、圖3、圖4可知，第三、第四、第五尺度的波動系數(shù)，在不同狀態(tài)下有較為明顯的差異。癲癇發(fā)作期波動系數(shù)最大而且波動性較強；癲癇發(fā)作間歇期的波動系數(shù)較為平穩(wěn)，且值處于健康狀態(tài)和癲癇發(fā)作狀態(tài)中間；健康狀態(tài)下的波動系數(shù)最為平穩(wěn)且值最小。因此可用不同尺度下的波動系數(shù)作為腦電信號特征。

2.3 動態(tài)調(diào)整特征系數(shù)權(quán)重

本小節(jié)計算出不同狀態(tài)、不同尺度EEG序列能量分布，以能量分布比例調(diào)整特征向量權(quán)重，能量分布高的頻段所占比例大于1，能量分布低的頻段所占比例小于1。

如圖5、圖6、圖7所示，橫軸表示第3、第4、第5尺度腦電信號，縱軸表示尺度信號的能量，不同狀態(tài)的腦電信號在不同尺度下能量分布也有所差別。本文一個創(chuàng)新點是，計算不同狀態(tài)不同尺度的腦電信號能量，根據(jù)不同狀態(tài)不同尺度的能量分布，如表2所示，調(diào)整特征向量的系數(shù)，特征參數(shù)分配明細(xì)如表3所示。

不同狀態(tài)、不同尺度下能量分布具體數(shù)值如表2所示?？紤]到共3層信號，未設(shè)置系數(shù)時默認(rèn)為1且各尺度系數(shù)之和為3，因此設(shè)定系數(shù)時以1為基準(zhǔn)，某一尺度信號能量系數(shù)可以大于1，也可以小于1，但某一時期提取的特征，所有尺度信號能量系數(shù)之和等于3。由表2不同狀態(tài)、不同尺度下能量分布的比例，調(diào)整特征向量的系數(shù)，特征向量權(quán)重分配如表3所示。

3 支持向量機分類器

支持向量機（support vector machine，SVM）廣泛應(yīng)用于模式識別和分類檢測中[13]，SVM很好的解決了高維度，小樣本，非線性等問題。支持向量機的核心思想是，找到一種能夠?qū)深悩颖具M行正確分類的最優(yōu)分類面，且不同樣本距分類面距離越大，分類效果越好。

3.1 最優(yōu)分類面

假設(shè)有兩類待分類的實驗數(shù)據(jù)：x1，y1，x2，y2，…，xn，yn，x∈Rn，yi∈1，-1（xi是實驗數(shù)據(jù)，yi是實驗數(shù)據(jù)的標(biāo)簽），存在一個最優(yōu)分類面，其方程可以表示為：

wT·x+b=0（8）

通過這個最優(yōu)分類面，可以分類兩種類型的樣本數(shù)據(jù)，我們令：

fx=wTx+b（9）

如果fx=0，那么x是位于分類面上的點；如果fx<0，可以設(shè)定x對應(yīng)的標(biāo)簽y為-1；fx>0，那么x對應(yīng)的標(biāo)簽y為1，至此就可以將實驗數(shù)據(jù)進行分類。

如果所有測試樣本都可以正確分類，測試樣本應(yīng)符合下列條件：

yiwT·xi+b-1≥0，i=1，…，n（10）

兩條分類面H1、H2之間的距離是2/‖w‖，要尋找最優(yōu)分類線，即使得2/‖w‖最大，也即12‖w‖2最小化，最優(yōu)分類問題轉(zhuǎn)化成一個約束優(yōu)化問題

min‖w‖22（11）

s.t yiw.x+b-1≥0，i=1，…，N

求解上式的二次規(guī)劃問題，得到最優(yōu)分類面的w和b，最優(yōu)分類函數(shù)為：

fx=sgnw·x+b（12）

圖8中，正方形和圓形代表兩種類型的數(shù)據(jù)，H代表最優(yōu)分類面，H1、H2為各類中離分類線最近的樣本且平行于分類面的直線，分布在該直線的點被稱為支持向量，H1和H2的距離就是分類間隔。所謂最優(yōu)分類面是指分類線既能正確分離兩類，又能最大化分類間隔。wT是最優(yōu)分類面的法向量，b為最優(yōu)分類面的常數(shù)項。

3.2 核函數(shù)

對于線性不可分的數(shù)據(jù)，需要核函數(shù)對數(shù)據(jù)進行處理，在低維空間線性不可分的數(shù)據(jù)xi，通過非線性映射Φx到高維空間，使得數(shù)據(jù)在高維空間線性可分，在高維空間找出最優(yōu)分類面。滿足Mercer條件的核函數(shù)就可以實現(xiàn)非線性轉(zhuǎn)換。

定義的Mercer條件的核函數(shù)：

Kxi，xj=Φxi.Φxj（13）

核函數(shù)有多種形式，經(jīng)常使用的主要包含徑向基函數(shù)、多項式函數(shù)、Sigmoid函數(shù)等。核函數(shù)的差異會構(gòu)成不同的支持向量機，本實驗選取的核函數(shù)是徑向基函數(shù)。徑向基核函數(shù)：

Kxi，xj=exp-‖x-xi‖2σ2（14）

3.3 SVM多分類算法

本文將腦電信號分為健康狀態(tài)、癲癇發(fā)作間歇期狀態(tài)、癲癇發(fā)作期狀態(tài)，對腦電信號進行三分類。三分類問題可以理解為：給定屬于3種類別的n個訓(xùn)練樣本（x1，y1）， （x2，y2）…（xn，yn）yi∈0，1，2，通過上述訓(xùn)練樣本構(gòu)造分類器，將m個測試樣本（a1，b1），（a2，b2）…（am，bm） bi∈0，1，2，進行三分類。

OAO（one-Agains-one decomposition）算法在每兩類樣本間訓(xùn)練一個分類器，對于K分類問題，有（K×（K-1））/2個分類器，當(dāng)K取3時，則有3個分類器。用測試樣本進行分類檢測時，每個分類器都對其進行判斷，并將識別出的診斷結(jié)果保存，最后統(tǒng)計分類結(jié)果最多的標(biāo)簽，即為分類結(jié)果。

4 粒子群算法優(yōu)化支持向量機參數(shù)

支持向量機的懲罰因子C和核函數(shù)參數(shù)σ對數(shù)據(jù)分類具有很大的影響，這兩個變量決定著支持向量機的泛化能力。如果得到最佳的分類效果，就要獲取最佳的參數(shù)C和σ。一般來說這兩個參數(shù)都是根據(jù)經(jīng)驗設(shè)定，無法獲得最佳參數(shù)，也即無法獲得最優(yōu)分類率。本文利用粒子群（PSO）算法全局尋優(yōu)的特點，對SVM的參數(shù)C和σ進行優(yōu)化，尋找最優(yōu)的參數(shù)值，進一步提高SVM學(xué)習(xí)能力和收斂速度[17]。

PSO算法是一種基于迭代尋優(yōu)的算法，本文需要優(yōu)化SVM的懲罰因子C和核函數(shù)參數(shù)σ，每個粒子可以想象成二維空間中的一點，PSO算法就是找到該二維空間中的最優(yōu)位置，使得SVM對癲癇腦電信號的分類準(zhǔn)確率最高。每個粒子在二維空間中的坐標(biāo)表示為xi=xi1，xi2i=1，2，…，20，以速度vs=vs1，vs2s=1，2，…，20在二維解空間內(nèi)進行搜索。粒子在更新位置時需要考慮粒子個體的最優(yōu)位置pi和粒子種群最優(yōu)位置pg。

pi=pi1，pi2，i=1，2，…，20（15）

pg=pg1，pg2，…pgn，n=20（16）

粒子根據(jù)式（17）、式（18）、式（19）更新飛行速度vs和位置。

vs+1=vs+c1rand1（）（pi-xi）+

c2rand2（）（pg-xi）（17）

xi+1=xi+vi+1（18）

vs=vmax，if vs>vmax

vs=-vmax，if vs<-vmax（19）

c1表示粒子向自身歷史最優(yōu)解靠近的權(quán)重因子，c2表示粒子向種群歷史最優(yōu)解靠近的權(quán)重因子，學(xué)習(xí)因子的值越大，粒子全局搜索能力越強。本文中c1取1.5，c2取1.7，rand1（）和rand2（）表示0到1的隨機數(shù)。粒子種群數(shù)目設(shè)定為20，最大迭代數(shù)為200。

5 實驗結(jié)果與分析

在本文中，腦電信號被分為三種不同的狀態(tài)：健康期、癲癇發(fā)作間期、癲癇發(fā)作期。構(gòu)造分類器時，將實驗數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，訓(xùn)練樣本和測試樣本見表4。訓(xùn)練樣本：取50個數(shù)據(jù)集A的樣本作為健康狀態(tài)的數(shù)據(jù)；取50個數(shù)據(jù)集D的樣本作為癲癇發(fā)作間歇期的數(shù)據(jù)；取50個數(shù)據(jù)集E的樣本作為癲癇發(fā)作期的數(shù)據(jù)。將數(shù)據(jù)集A、數(shù)據(jù)集D、數(shù)據(jù)集E剩下的50個樣本組為測試樣本，利用測試樣本對分類器性能進行檢測。每一個樣本信號采樣4096個點，現(xiàn)將每段信號截取為4段，增加實驗數(shù)據(jù)，提高實驗的可靠性。

本文的兩個創(chuàng)新點：一個是對提取的腦電特征增加了權(quán)系數(shù)；另一個是本文對腦電信號進行三分類，并利用PSO算法尋找支持向量機最佳參數(shù)，最后把腦電信號分成健康、癲癇發(fā)作間期、癲癇發(fā)作期不同狀態(tài)，并可以提高分類準(zhǔn)確率?，F(xiàn)通過以下4個指標(biāo)來對分類器性能進行判定。

1）準(zhǔn)確率acc = 正確分類數(shù)量/測試樣本數(shù)量

2）健康識別率p0 = 正常狀態(tài)正確分類數(shù)量/正常狀態(tài)的數(shù)量

3）間期識別率p1 = 間期狀態(tài)正確分類數(shù)量/間期狀態(tài)的數(shù)量

4）發(fā)作期識別率p2 = 發(fā)作期狀態(tài)正確分類數(shù)量/發(fā)作期狀態(tài)的數(shù)量

表5為本文三種實驗結(jié)果對比，可以直觀的看出：設(shè)置特征向量系數(shù)后，癲癇疾病診斷分類準(zhǔn)確率有較大的提升，優(yōu)化支持向量機后分類準(zhǔn)確率進一步提升，但訓(xùn)練時間大幅增加，對于識別準(zhǔn)確率與識別時間的矛盾需具體問題具體分析，若更看重識別效率則選擇未優(yōu)化支持向量機的方法，若更看重識別準(zhǔn)確率則選擇優(yōu)化的支持向量機進行癲癇疾病的診斷

本文實驗結(jié)果與其他方法的對比如表6所示，本文不僅將腦電信號分類為3種腦電信號，而且相比之前的準(zhǔn)確率有所提高，解決了分類準(zhǔn)確率和分類數(shù)的沖突。

6 結(jié) 語

國內(nèi)外學(xué)者將現(xiàn)代數(shù)字信號處理技術(shù)應(yīng)用到癲癇疾病診斷中，對腦電信號進行預(yù)處理、構(gòu)建特征向量、識別分類，最終實現(xiàn)快速定位致癇區(qū)域。

本文汲取了其它文獻(xiàn)的優(yōu)點，彌補了癲癇智能診斷中分類類別少，分類準(zhǔn)確度低的缺點，最終分類準(zhǔn)確度達(dá)到99.83%，具備良好的實驗效果。本文提取的特征維度較高，可能造成特征冗余，后期工作可在這方面做一些優(yōu)化，進一步提高分類準(zhǔn)確率。而且還可以做出操作界面，將各種實驗方案整合在界面中，簡化操作步驟，便捷地觀察實驗仿真結(jié)果，并對多個實驗進行對比分析。

參 考 文 獻(xiàn)：

[1] 張威，等.張京碩.癲癇300問[M].北京：化學(xué)工業(yè)出版社，2011：134-141.

[2] 鄭效來，邱天爽，趙庚申，一種基于EEG特征提取的癲癇棘波綜合檢測判決方法[J].中國生物醫(yī)學(xué)工程學(xué)報，2005，24（6）：696-699.

[3] 袁琦，周衛(wèi)東，等.基于 ELM和近似熵的腦電信號檢測方法[J].儀器儀表學(xué)報，2012，33（3）： 514 - 519.

[4] 龐春穎，王小甜，等.一種基于改進經(jīng)驗?zāi)B(tài)分解的癲癇腦電識別新方法[J].中國生物醫(yī)學(xué)學(xué)報， 2013，32（6）：663-669.

[5] 孟慶芳，等.基于遞歸量化分析與支持向量機的癲癇腦電自動檢測方法[J].物理學(xué)報， 2014， 63（5）：050506_1- 050506_8.

[6] 張濤，陳萬忠，等.基于AdaBoost算法的癲癇腦電信號識別[J].物理學(xué)報，2015，64（12）：128701_1-128701 _ 7.

[7] 張濤，等. 基于頻率切片小波變換和支持向量機的癲癇腦電信號自動檢測[J].物理學(xué)報，2016， 65（3）： 038703_1-038703_7.

[8] 王杰，李牧瀟，等. 改進的極限學(xué)習(xí)機在癲癇腦電分類中的應(yīng)用[J].計算機仿真，2014，31 （6），343-346.

[9] LEE Y，WAHBA G，ACKERMAN S.Classification of Satellite Radiance Data by Multicategory Support Vector Machines[J].Journal of Atmospheric and Oceanic Technology，2004（21）：159-169.

[10]張鵬博，王雪，等.癲癇發(fā)作瞬態(tài)帶寬特征自適應(yīng)檢測方法[J].儀器儀表學(xué)報，2016，37（6），1390-1397.

[11]ZHOU W，LIU Y， et al.Epileptic Seizure Detection Using Lacunarity and Bayesian Linear Discriminant Analysis in Intracranial EEG [J].IEEE Transactions on Biomedical Engineering，2013，60（12） ：3375-3381.

[12]宋立新，王玉靜，等.基于Hilbert-Huang變換的心率變異信號分析[J].振動與沖擊，2007，26（10），30-34，186.

[13]尹芳，鄭亮，等.基于Adaboost的視頻文本定位[J].哈爾濱理工大學(xué)學(xué)報.2017，22（1）：103-108

[14]王鵬，李珊珊，等.便攜式腦電信號實時采集系統(tǒng)[J].哈爾濱理工大學(xué)學(xué)報.2016，21（1）：77-82.

[15]周衛(wèi)東，趙建林，等.癲癇腦電信號識別算法及其應(yīng)用 [D].濟南：山東大學(xué).2010，：37-38.

[16]PARVEZ M，PAUL M. Epileptic Seizure Detection by Exploiting Temporal Correlation of Electroencephalogram Signals[J]. Signal Processing， IET，2015，9 （ 6 ） ：467-475.

[17]SONG Y， CROWCROFT J， ZHANG J.Automatic Epileptic Seizure Detection in EEGs Based on Optimized Sample Entropy and Extreme Learning Machine [J].Journal of Neuroscience Methods，2012，210 （ 2 ） ：132-146.

[18]王廣澤.改進粒子群算法在供應(yīng)鏈庫存控制中的應(yīng)用[J]，哈爾濱理工大學(xué)學(xué)報.2016，21（5），90-95

[19]BAJAJ V. Classification of Seizure and Nonseizure EEG Signals Using Empirical Mode Decomposition[J]. IEEE Transactions on Information Technology in Biomedicine，2012，16（ 6） ： 1135-1142.