利用整體經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林的腦電信號(hào)分類研究

秦喜文 呂思奇 李巧玲

1(長(zhǎng)春工業(yè)大學(xué)研究生院，長(zhǎng)春 130012)2(長(zhǎng)春工業(yè)大學(xué)基礎(chǔ)科學(xué)學(xué)院，長(zhǎng)春 130012)

引言

癲癇是一種因腦部損傷而嚴(yán)重影響人類健康的腦部疾病，據(jù)估計(jì)世界大約有1%的人口受到癲癇病的影響。對(duì)癲癇患者的腦電信號(hào)進(jìn)行識(shí)別和分類，可以幫助醫(yī)生確定癲癇發(fā)作的具體類型以便選擇合理的治療方案，幫助病人及時(shí)避開危險(xiǎn)。因此，癲癇腦電信號(hào)識(shí)別分類的研究具有重要的理論意義和實(shí)用價(jià)值。

19世紀(jì)末期，人們開始對(duì)腦電信號(hào)(electroencephalogram，EEG)進(jìn)行研究。1875年，英國的Richard Caton通過對(duì)動(dòng)物進(jìn)行實(shí)驗(yàn)記錄到了它們大腦皮層的電活動(dòng)[1]。1924年，Hans Berger首創(chuàng)了腦電圖這一術(shù)語，并且首次從人類頭皮上記錄到腦電活動(dòng)。1929年，德國耶拿大學(xué)神經(jīng)科教授Berger首次發(fā)現(xiàn)了EEG，奠定了EEG研究的基礎(chǔ)[2]；1934年，Berger的觀察得到認(rèn)同，從此人類腦電圖獲得科學(xué)界的認(rèn)可，并被廣泛應(yīng)用于臨床醫(yī)學(xué)、心理學(xué)、藥理學(xué)、腦動(dòng)力學(xué)等諸多領(lǐng)域中[3]。

腦電信號(hào)的分析主要包括原始信號(hào)分解、特征提取、識(shí)別分類等。Johns-Gotman等提出了分解腦電信號(hào)進(jìn)入半波再提取特征的方法來處理癲癇腦電信號(hào)[4]；Saab等利用小波分析來檢測(cè)癲癇腦電信號(hào)的發(fā)作期[5]；Gabor等使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)用來檢測(cè)EEG的發(fā)作期[6]。一些學(xué)者使用時(shí)頻分析相結(jié)合的人工神經(jīng)網(wǎng)絡(luò)來檢測(cè)癲癇發(fā)作期，例如Ocak等采用離散小波變換分解原始信號(hào)，提取近似熵進(jìn)行分類來檢測(cè)癲癇發(fā)作期[7]；Oweis等提取每個(gè)固有模態(tài)函數(shù)的瞬時(shí)信息來實(shí)現(xiàn)模式混合分類，用來區(qū)分EEG的發(fā)作間期和發(fā)作期[8]。在基于經(jīng)驗(yàn)?zāi)B(tài)分解的預(yù)測(cè)研究中，李淑芳等提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)分類的方法對(duì)腦電信號(hào)信號(hào)進(jìn)行分類[9]；韓清鵬利用腦電信號(hào)的小波包變換與非線性分析實(shí)現(xiàn)精神疲勞狀態(tài)的判定[10]；羅志增等使用基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法來消除混雜在腦電信號(hào)中的噪聲[11]；繼Dietch使用傅立葉變換對(duì)腦電信號(hào)進(jìn)行分析之后，出現(xiàn)了多種時(shí)域分析、頻域分析的經(jīng)典分析方法[12-13]。隨著技術(shù)的不斷發(fā)展及腦電自動(dòng)分析系統(tǒng)的出現(xiàn)，利用計(jì)算機(jī)來輔助分析腦電信號(hào)逐漸受到了學(xué)者們的青睞。近年來，腦電信號(hào)分析領(lǐng)域相繼出現(xiàn)了時(shí)頻分析法、高階譜分析法、非線性分析法及人工神經(jīng)網(wǎng)絡(luò)分析法等一系列現(xiàn)代化的分析方法[14]。

20世紀(jì)40年代腦電信號(hào)開始和臨床結(jié)合，目前已在世界范圍內(nèi)廣泛發(fā)展。腦電信號(hào)監(jiān)測(cè)除了可以對(duì)癲癇，腦腫瘤，顱腦損傷，齄缺氧，缺血，腦血管疾病，中樞神經(jīng)系統(tǒng)疾病以及新陳代謝、精神疾病和智能障礙提供診斷、預(yù)防和治療方面的信息以外，還可以檢測(cè)大腦功能、認(rèn)知、思維等高級(jí)中樞活動(dòng)[14-15]。但是由于EEG強(qiáng)烈的非平穩(wěn)、非線性特性，分析起來十分困難，因此腦電信號(hào)分析方法的研究正在不斷發(fā)展和日益深化。

為了提高腦電信號(hào)的識(shí)別率，本研究利用了整體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林相結(jié)合的方法對(duì)癲癇腦電信號(hào)進(jìn)行分類。

1 方法

1.1 實(shí)驗(yàn)統(tǒng)籌設(shè)計(jì)

本研究建立的EEMD-RF分類模型和EEMD-LSSVM分類模型是在Windows7系統(tǒng)下實(shí)現(xiàn)的，采用的開發(fā)平臺(tái)是R*64 3.3.0和Matlab R2014a。

實(shí)驗(yàn)數(shù)據(jù)來自德國波恩大學(xué)癲癇數(shù)據(jù)庫，該數(shù)據(jù)庫包含5類腦電信號(hào)，每類腦電信號(hào)包含100個(gè)時(shí)間為23.6 s、采樣頻率為173.61 Hz的單通道信號(hào)，每個(gè)單通道信號(hào)包含4 096個(gè)樣本點(diǎn)。其中，數(shù)據(jù)集A和B分別是來自5個(gè)健康志愿者的睜眼、閉眼時(shí)頭皮表面腦電信號(hào)，數(shù)據(jù)集C是5個(gè)癲癇病人癲癇發(fā)作間期的海馬結(jié)構(gòu)腦電信號(hào)，數(shù)據(jù)集D是癲癇發(fā)作間期的致癇區(qū)腦電信號(hào)；數(shù)據(jù)集E是癲癇病人發(fā)作期的致癇區(qū)腦電信號(hào)。本研究主要分析癲癇發(fā)作間期的D數(shù)據(jù)集和癲癇發(fā)作期的E數(shù)據(jù)集。

實(shí)驗(yàn)首先通過Matlab實(shí)現(xiàn)EEMD，將癲癇腦電信號(hào)分解成多個(gè)固有模態(tài)函數(shù)。計(jì)算各階固有模態(tài)函數(shù)與原始腦電信號(hào)的相關(guān)系數(shù)來選定有效的固有模態(tài)函數(shù)，并利用SAS計(jì)算其相關(guān)特征。最后通過R分別實(shí)現(xiàn)RF和LSSVM對(duì)癲癇腦電信號(hào)特征進(jìn)行分類。通過對(duì)比兩種方法分類結(jié)果的正確識(shí)別率，來確定哪一種分類方法對(duì)癲癇發(fā)作間期和癲癇發(fā)作期的腦電信號(hào)分類效果比較理想。

基于EEMD的癲癇腦電信號(hào)特征提取及識(shí)別分類過程如圖1所示。

圖1 發(fā)作期檢測(cè)流程Fig.1 EEG ictal detection process

1.2 整體經(jīng)驗(yàn)?zāi)B(tài)分解

整體經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)方法，是在原信號(hào)中加入若干次均勻分布的高斯白噪聲，用來補(bǔ)償分解的固有模態(tài)函數(shù)(intrinsic mode functions，固有模態(tài)函數(shù))丟失的尺度，再分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)處理，最后求平均的一種全局化方法[16]。該方法令加入的白噪聲互相抵消，不僅保留了原序列的信號(hào)信息，很大程度上克服了模態(tài)混疊問題，使分解在物理上唯一。EEMD算法流程如圖2所示。

圖2 EEMD算法流程Fig.2 EEMD algorithm flow chart

EEMD具體步驟[17]如下：

1)通過給待分析信號(hào)x(t)中加一組白噪聲w(t)，構(gòu)成信噪混合體，即

X(t)=x(t)+w(t)

(1)

2)對(duì)信噪混合體X(t)進(jìn)行EMD分解，將其分解成各個(gè)IMF分量的組合，即

(2)

3)給待分析信號(hào)加入不同的白噪聲w(t)，重復(fù)以上兩步，有

Xi(t)=x(t)+wi(t)

(3)

分解后得到各自的IMF分量組合，即

(4)

4)對(duì)所有IMF組合相對(duì)應(yīng)的IMF求平均，即

(5)

式中，N表示整體的個(gè)數(shù)，即得到最后分解結(jié)果，有

(6)

因白噪聲的零均值特性，加入噪聲的次數(shù)足夠多，將這些多次分解的結(jié)果取“平均”后，噪聲最終將被互相抵消從而達(dá)到消除的效果，整體平均的結(jié)果就可以被當(dāng)作真實(shí)信號(hào)。

選取波恩數(shù)據(jù)集中癲癇發(fā)作間期與發(fā)作期的各100個(gè)單通道信號(hào)，分別進(jìn)行整體經(jīng)驗(yàn)?zāi)B(tài)分解。計(jì)算各階固有模態(tài)函數(shù)與原始腦電信號(hào)的相關(guān)系數(shù)，并選取合適的IMF進(jìn)行以下分析。

1.3 特征提取

對(duì)整體經(jīng)驗(yàn)?zāi)B(tài)分解后得到的各階固有模態(tài)函數(shù)提取重要特征，包括均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動(dòng)指數(shù)、能量熵和信息熵等。

1.3.1變異系數(shù)

對(duì)腦電信號(hào)幅度進(jìn)行分析時(shí)，經(jīng)常選擇使用的特征有平均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)等簡(jiǎn)單統(tǒng)計(jì)量，其中變異系數(shù)能夠衡量腦電信號(hào)的幅度變化。對(duì)于癲癇發(fā)作間期的腦電信號(hào)等幅度變化規(guī)則的信號(hào)，變異系數(shù)的值比較小，其定義為

CV=σ2/μ2

(7)

其中

式中，l為固有模態(tài)函數(shù)的長(zhǎng)度。

1.3.2波動(dòng)指數(shù)

波動(dòng)指數(shù)可以衡量信號(hào)變化的強(qiáng)度。癲癇發(fā)作期信號(hào)的波動(dòng)通常會(huì)比發(fā)作間歇期的波動(dòng)劇烈。其定義為

(8)

式中，l為固有模態(tài)函數(shù)的長(zhǎng)度。

1.3.3能量熵

為了便于特征提取，選擇能量熵來表征不同固有模態(tài)函數(shù)特征的差別。根據(jù)信息論中能量熵的定義，固有模態(tài)函數(shù)ci(t)的能量的計(jì)算公式見后，t1和t2分別為信號(hào)起始時(shí)間和結(jié)束時(shí)間[16]，有

(9)

其定義為

(10)

式中，Pi=Ei/E為第j個(gè)固有模態(tài)函數(shù)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。

1.3.4信息熵

信息中排除了冗余后的平均信息量稱為“信息熵”，癲癇發(fā)作期信號(hào)的信息熵通常會(huì)比發(fā)作間期的信息熵低，其定義為

(11)

式中，x表示隨機(jī)變量，與之相對(duì)應(yīng)的是所有可能輸出的集合，定義為符號(hào)集。

選取波恩數(shù)據(jù)集中發(fā)作間期與發(fā)作期IMF1～I(xiàn)MF5來計(jì)算相關(guān)特征，分別為均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動(dòng)指數(shù)、能量熵、信息熵等。

1.4 隨機(jī)森林

隨機(jī)森林(random forest，RF)最早是由Breiman[18]于2001年提出來的， 是一種非參數(shù)統(tǒng)計(jì)方法，它的基本思想是用bootstrap方法從原始樣本中抽取多個(gè)子樣本，對(duì)每個(gè)bootstrap子樣本進(jìn)行決策樹建模， 再利用投票法或者平均法組合多棵決策樹的預(yù)測(cè)結(jié)果來決定最終預(yù)測(cè)結(jié)果。

隨機(jī)森林相對(duì)于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹等方法具有更好的噪聲容忍度以及更高的預(yù)測(cè)準(zhǔn)確率，且不容易出現(xiàn)過擬合問題。隨機(jī)森林是由若干樹形分類器{h(x,θk),k=1,…}組成的集成分類器，其中x是輸入向量，{θk}是獨(dú)立同分布的隨機(jī)向量，預(yù)測(cè)時(shí)通過簡(jiǎn)單的多數(shù)投票法、或單棵樹輸出結(jié)果的簡(jiǎn)單平均得到隨機(jī)森林的最終輸出。具體步驟[19]如下：

步驟1：用Bagging方法形成個(gè)別訓(xùn)練集，即每個(gè)個(gè)別訓(xùn)練集都是從原始訓(xùn)練集的n個(gè)樣品中有放回地抽取n個(gè)樣品。

步驟2：對(duì)于每個(gè)個(gè)別訓(xùn)練集，用如下過程生成一棵不剪枝的分類回歸樹。

1)設(shè)共有M個(gè)原始屬性，給定一個(gè)正整數(shù)mtry，滿足mtry≤M。在每個(gè)內(nèi)部節(jié)點(diǎn)，從M個(gè)原始屬性中隨機(jī)抽出mtry個(gè)屬性作為該分裂節(jié)點(diǎn)的候選屬性。在生成整個(gè)森林的過程中，mtry不變。

2)從mtry個(gè)候選屬性中選出最好的分裂方式對(duì)該節(jié)點(diǎn)進(jìn)行分裂。

3)每棵樹令其充分成長(zhǎng)，不進(jìn)行剪枝。

3)重復(fù)1)和2)，直到生成ntree棵分類回歸樹(ntree足夠大)。

4)對(duì)未知類別的樣本進(jìn)行分類時(shí)，輸出的類別標(biāo)簽由森林中樹的多數(shù)投票決定，即

(12)

隨機(jī)森林在Bagging的基礎(chǔ)上引入隨機(jī)選擇屬性，更大程度上降低了樹之間的相關(guān)性，同時(shí)建立的單棵不剪枝的分類回歸樹能夠得到較低的偏差，從而保證了隨機(jī)森林的分類性能。

在K折交叉驗(yàn)證中，原始樣本組隨機(jī)劃分成K個(gè)樣本的平均子集。在K個(gè)子集中，單個(gè)子集用于測(cè)試模型的測(cè)試數(shù)據(jù)，剩余的K-1的子集被用作訓(xùn)練數(shù)據(jù)，將交叉驗(yàn)證過程重復(fù)K次，每個(gè)恰好一次作為驗(yàn)證數(shù)據(jù)，在K個(gè)結(jié)果后可以進(jìn)行平均或以其他方式組合來產(chǎn)生一個(gè)單一的估計(jì)。本研究選擇使用四折交叉驗(yàn)證。

在RF分類過程中，提取IMF1-IMF5的均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動(dòng)指數(shù)、能量熵和信息熵之后組合形成特征矢量，訓(xùn)練數(shù)據(jù)的特征矢量被送入一個(gè)RF分類以獲得最佳的RF參數(shù)。最后，經(jīng)訓(xùn)練的RF分類器用于區(qū)分測(cè)試集中的腦電信號(hào)類別。

1.5 最小二乘支持向量機(jī)

圖3 癲癇發(fā)作間期和癲癇發(fā)作期的樣本。(a)癲癇發(fā)作間期樣本；(b)癲癇發(fā)作期樣本Fig.3 The sample of of ictal and interictal EEG. (a) The sample of of interictal EEG;(b) The sample of of ictal EEG

最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)是傳統(tǒng)支持向量機(jī)(support vector machine，SVM)的一種改進(jìn)方法，其基本思想是基于Mercer核展開定理[20]將傳統(tǒng)支持向量機(jī)中的選取誤差ei和不等式約束改為選取誤差的二范式和等式約束[21]。與SVM算法相比，LSSVM算法簡(jiǎn)化了計(jì)算的復(fù)雜度，降低了預(yù)測(cè)誤差，保證了計(jì)算結(jié)果的準(zhǔn)確性。

假設(shè)訓(xùn)練樣本集(xi,yi)(i=1,2,…,N)，其中xi∈Rm為訓(xùn)練樣本輸入，yi∈R為訓(xùn)練樣本輸出。通過徑向基核函數(shù)φr(*)將低維空間Rm向高維特征空間映射，在高維空間中構(gòu)建最優(yōu)決策函數(shù)，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則構(gòu)建優(yōu)化模型，即

(13)

約束條件為

yi=WTg(xi)+b+ξi(i=1,2,…,M)

(14)

由于W一般情況為無限維的，很難直接計(jì)算優(yōu)化模型，通常將這一規(guī)劃問題轉(zhuǎn)化到其對(duì)偶空間中。根據(jù)Hilbert-Schmidt原理，通過引入滿足Mercer條件的核函數(shù)K(xi,xj)=φ(xi)Tφ(xj)，將變換空間中內(nèi)積計(jì)算問題轉(zhuǎn)化為原空間中某個(gè)函數(shù)的計(jì)算問題，間接求解輸入空間向高維特征空間的映射。最終得到LSSVM回歸函數(shù)為

(15)

在LSSVM分類過程中，選取發(fā)作間期和發(fā)作期數(shù)據(jù)集的前75%特征矢量作為訓(xùn)練樣本，后25%特征矢量作為測(cè)試樣本，采用交叉驗(yàn)證的方法求出最佳參數(shù)來得到訓(xùn)練好的LSSVM分類器。將測(cè)試樣本送入該分類器，進(jìn)行多次試驗(yàn)得到平均分類結(jié)果。

2 結(jié)果

2.1 癲癇腦電信號(hào)分解

選取癲癇發(fā)作間期的D數(shù)據(jù)集和癲癇發(fā)作期的E數(shù)據(jù)集進(jìn)行分析。原始癲癇腦電信號(hào)發(fā)作間期和發(fā)作期的樣本如圖3所示。

圖3(a)為癲癇發(fā)作間期腦電信號(hào)樣本。選取波恩數(shù)據(jù)集D的200個(gè)單通道信號(hào)中的1個(gè)單通道信號(hào)，包含4 097個(gè)樣本點(diǎn)?？梢钥闯鲈撔盘?hào)波幅較大，具有規(guī)律性。圖3(b)為癲癇發(fā)作期腦電信號(hào)樣本。選取波恩數(shù)據(jù)集E的200個(gè)單通道信號(hào)中的1個(gè)單通道信號(hào)，包含4 097個(gè)樣本點(diǎn)?？梢钥闯鲈撔盘?hào)波幅較小，且不穩(wěn)定。

由圖3(a)、(b)可以看出，癲癇發(fā)作間期腦電信號(hào)與癲癇發(fā)作期腦電信號(hào)波動(dòng)差距明顯。

對(duì)癲癇腦電信號(hào)進(jìn)行整體經(jīng)驗(yàn)?zāi)B(tài)分解得到各階固有模態(tài)函數(shù)，通過計(jì)算各階固有模態(tài)函數(shù)的相關(guān)系數(shù)，選定了IMF1～I(xiàn)MF5來提取特征并計(jì)算。癲癇發(fā)作間期和癲癇發(fā)作期EEG某一個(gè)時(shí)間段的前5個(gè)固有模態(tài)函數(shù)在圖4給出。圖4(a)為癲癇發(fā)作間期腦電信號(hào)經(jīng)整體經(jīng)驗(yàn)?zāi)B(tài)分解后的固有模態(tài)函數(shù)，選擇波恩數(shù)據(jù)集D中的100個(gè)單通道信號(hào)中的1個(gè)單通道信號(hào)作為樣本。整體經(jīng)驗(yàn)?zāi)B(tài)分解后的癲癇發(fā)作間期腦電信號(hào)得到了8個(gè)固有模態(tài)函數(shù)和1個(gè)趨勢(shì)項(xiàng)。圖4(b)為癲癇發(fā)作期腦電信號(hào)經(jīng)整體經(jīng)驗(yàn)?zāi)B(tài)分解后的固有模態(tài)函數(shù)，選擇波恩數(shù)據(jù)集E中的100個(gè)單通道信號(hào)中的1個(gè)單通道信號(hào)作為樣本。整體經(jīng)驗(yàn)?zāi)B(tài)分解后的癲癇發(fā)作間期腦電信號(hào)得到了8個(gè)固有模態(tài)函數(shù)和1個(gè)趨勢(shì)項(xiàng)。

圖4 發(fā)作間期和發(fā)作期EEG一個(gè)時(shí)期的前5個(gè)固有模態(tài)函數(shù)。(a)發(fā)作間期；(b)發(fā)作期Fig.4 The top five IMFs of ictal and interictal EEGs on Bonn data sets.(a) The interictal EEG; (b) The ictal EEG

表1 癲癇腦電信號(hào)發(fā)作間期特征樣本Tab.1 The sample of interictal EEG features

表2 癲癇腦電信號(hào)發(fā)作期特征樣本Tab.2 The sample of ictal EEG features

由圖4(a)、(b)可以看出，癲癇發(fā)作間期腦電信號(hào)和發(fā)作期腦電信號(hào)波幅和頻率都存在很大差別。接下來對(duì)整體經(jīng)驗(yàn)?zāi)B(tài)分解后得到的各階固有模態(tài)函數(shù)計(jì)算相關(guān)系數(shù)。

2.2 癲癇腦電信號(hào)特征提取

對(duì)癲癇腦電信號(hào)發(fā)作間期與發(fā)作期的200個(gè)單通道信號(hào)，經(jīng)過整體經(jīng)驗(yàn)?zāi)B(tài)分解后計(jì)算相關(guān)系數(shù)選取的前5個(gè)固有模態(tài)函數(shù)進(jìn)行特征提取，主要選取均值、方差、標(biāo)準(zhǔn)差、極差等簡(jiǎn)單統(tǒng)計(jì)量及變異系數(shù)、波動(dòng)指數(shù)、能量熵、信息熵作為特征，用于接下來的分類。

表1、2分別為波恩數(shù)據(jù)集癲癇腦電信號(hào)發(fā)作間期與發(fā)作期的特征結(jié)果樣本，以1個(gè)單通道信號(hào)為例，經(jīng)過整體經(jīng)驗(yàn)?zāi)B(tài)分解后計(jì)算各階固有模態(tài)函數(shù)與原始腦電信號(hào)的相關(guān)系數(shù)，選取了IMF1～I(xiàn)MF5來計(jì)算相關(guān)特征，分別為均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動(dòng)指數(shù)、能量熵、信息熵。

2.3 癲癇腦電信號(hào)識(shí)別分類

本研究分別選取RF和LSSVM兩種方法對(duì)固有模態(tài)函數(shù)進(jìn)行分類，并對(duì)結(jié)果進(jìn)行比較。將固有模態(tài)函數(shù)所有特征和其組合進(jìn)行分類的結(jié)果匯總(見表3)，表明利用RF對(duì)IMF1～I(xiàn)MF5組合特征進(jìn)行分類效果最佳，最高的正確識(shí)別率為99.60%。

表3 癲癇腦電信號(hào)分類結(jié)果比較Tab.3 The compare of EEG classification result

通過實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，EEMD～RF方法選擇IMF1-IMF5的特征對(duì)發(fā)作間期和發(fā)作期EEG分類效果最佳，表現(xiàn)為99.60%的正確識(shí)別率，EEMD-LSSVM方法選擇IMF1～I(xiàn)MF2的特征對(duì)發(fā)作間期和發(fā)作期EEG分類效果最佳，表現(xiàn)為96.00%的正確識(shí)別率。經(jīng)對(duì)比發(fā)現(xiàn)，EEMD-RF方法對(duì)EEG的分類準(zhǔn)確性優(yōu)于EEMD-LSSVM方法。

3 討論

一種有效的癲癇腦電信號(hào)分類方法在臨床診斷與治療中是至關(guān)重要的。李淑芳等提出了一種基于EMD和SVM結(jié)合的腦電信號(hào)分類方法[9]，李營等在關(guān)于癲癇腦電信號(hào)的研究中提出了基于此方法的改進(jìn)方法[16]，即EEMD與LSSVM結(jié)合的癲癇腦電信號(hào)分類方法得到了較好的分類效果，這證實(shí)了基于EMD 的信號(hào)分解方法與基于機(jī)器學(xué)習(xí)的分類方法相結(jié)合對(duì)于腦電信號(hào)分類的效果是顯著的。李營等[16]在研究癲癇腦電信號(hào)問題時(shí)選取了整體經(jīng)驗(yàn)?zāi)B(tài)分解與最小二乘支持向量機(jī)結(jié)合的分類方法對(duì)腦電信號(hào)進(jìn)行分解與分類，證明了整體經(jīng)驗(yàn)?zāi)B(tài)分解方法在癲癇腦電信號(hào)分類研究中能夠有效分解癲癇腦電信號(hào)并保留有意義的信息。

EEMD在時(shí)頻分析領(lǐng)域具有很大的優(yōu)勢(shì)，尤其是處理非線性和非平穩(wěn)信號(hào)，可以保持EMD的優(yōu)勢(shì)并解決EMD中的端點(diǎn)效應(yīng)及模態(tài)混疊問題。除了腦電信號(hào)分解，還可以廣泛應(yīng)用于其他領(lǐng)域，比如故障診斷、氣象預(yù)報(bào)等。相較于目前的其他分類算法，RF能很好地抗噪聲和抗干擾能力，作為有監(jiān)督的學(xué)習(xí)方法不容易出現(xiàn)過擬合現(xiàn)象，對(duì)于不平衡的分類資料來說可以平衡誤差。RF自算法提出以來已經(jīng)成為一種非常重要的分析方法，并可以廣泛應(yīng)用于其他領(lǐng)域，包括基因數(shù)據(jù)、核磁共振光譜、土地分類等。在此基礎(chǔ)上，本研究提出了一種基于EEMD和RF的新的癲癇腦電信號(hào)分類方法。

張學(xué)清等在混沌時(shí)間序列分析中用近似熵作為特征進(jìn)行預(yù)測(cè)[20]，張超等在齒輪故障診斷識(shí)別應(yīng)用中使用能量熵作為特征進(jìn)行有效的分類[21]，表明在不同的數(shù)據(jù)中可以得到最優(yōu)分類的特征并不固定，本研究中選取多種特征進(jìn)行組合及分類，選取最優(yōu)的分類結(jié)果。

通過對(duì)德國波恩大學(xué)癲癇腦電數(shù)據(jù)進(jìn)行實(shí)證分析，結(jié)合EEMD的自適應(yīng)分解特性與RF的抗干擾和避免過擬合優(yōu)點(diǎn)，將EEMD-RF算法分類結(jié)果的正確識(shí)別率與EEMD-LSSVM算法分類結(jié)果的正確識(shí)別率進(jìn)行對(duì)比，結(jié)果表明，EEMD-RF方法對(duì)癲癇發(fā)作間期和癲癇發(fā)作期腦電信號(hào)分類效果明顯優(yōu)于EEMD-LSSVM方法。該方法不僅可以應(yīng)用在生物醫(yī)學(xué)信號(hào)分析處理方面，還可以應(yīng)用于金融數(shù)據(jù)、機(jī)械故障診斷、環(huán)境預(yù)警等其他眾多領(lǐng)域，為在不同領(lǐng)域研究分類識(shí)別與預(yù)警預(yù)報(bào)等問題提供了可行的思路和模式。

4 結(jié)論

腦電信號(hào)中存在著大量生理與病理信息，腦電信號(hào)的識(shí)別與分類在癲癇疾病的檢測(cè)與輔助治療中發(fā)揮著極其重要的作用。本研究對(duì)癲癇腦電信號(hào)的分析顯示：與EEMD-LSSVM方法分類結(jié)果相比，對(duì)癲癇腦電信號(hào)進(jìn)行EEMD分解，選取IMF1-IMF5的能量熵和信息熵等屬性作為特征，通過實(shí)現(xiàn)RF分類對(duì)癲癇發(fā)作間期和癲癇發(fā)作期腦電信號(hào)進(jìn)行特征識(shí)別和分類的結(jié)果精確度更高，表現(xiàn)為99.60%的正確識(shí)別率，即EEMD-RF方法對(duì)癲癇發(fā)作間期和發(fā)作期腦電信號(hào)分類效果更佳。本研究提出的方法對(duì)癲癇的自動(dòng)監(jiān)測(cè)具有重要的理論意義與實(shí)用價(jià)值，可以為病人及時(shí)提示和預(yù)警，為醫(yī)護(hù)人員提供科學(xué)的決策支持。

(致謝：感謝德國波恩大學(xué)癲癇研究中心提供數(shù)據(jù)支持！)