基于微狀態(tài)方法的癲癇腦電信號(hào)識(shí)別研究?

熊 馨，羅劍花，武瑞鋒，林 嵐，賀建峰?

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.昆明醫(yī)科大學(xué)第一附屬醫(yī)院神經(jīng)內(nèi)科，云南 昆明 650032)

大腦神經(jīng)元異常放電可導(dǎo)致癲癇發(fā)作，通常持續(xù)幾秒到幾十秒，期間會(huì)出現(xiàn)意識(shí)模糊、認(rèn)知缺陷及精神障礙[1]。有研究發(fā)現(xiàn)超過1 億人患有癲癇疾病[2]，給人們帶來極大困擾。因此準(zhǔn)確診斷癲癇發(fā)作至關(guān)重要。

然而，癲癇發(fā)作檢測(cè)仍是一個(gè)具有挑戰(zhàn)性的研究課題。許多方法已被用于分析癲癇腦電(Electroencephalography，EEG)信號(hào)，機(jī)器學(xué)習(xí)即為其中一種[3]，通常需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，且難以消除噪聲波動(dòng)對(duì)EEG 數(shù)據(jù)的影響，對(duì)此，Lu 等運(yùn)用非線性方法提取短時(shí)間EEG 信號(hào)特征，區(qū)分了癲癇和非癲癇信號(hào)[4]。此外，時(shí)頻分析法在癲癇發(fā)作檢測(cè)中也得到廣泛應(yīng)用[5]。上述這些方法提取了高時(shí)間分辨率的癲癇EEG 信號(hào)特征，但忽略了EEG 通道的空間位置信息。

在本文的研究中，運(yùn)用EEG 微狀態(tài)分析法進(jìn)行癲癇發(fā)作檢測(cè)。不僅計(jì)算了傳統(tǒng)的微狀態(tài)參數(shù)特征，還計(jì)算了Hurst 指數(shù)和動(dòng)態(tài)特征(自相關(guān)函數(shù)(Autocorrelation Functions，ACF)、時(shí)滯互信息(Autoinformation Function，AIF))，分別觀察傳統(tǒng)特征、Hurst 指數(shù)、動(dòng)態(tài)特征和三種特征融合的支持向量機(jī)(Support Vector Machine，SVM)分類準(zhǔn)確率。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來源和預(yù)處理

實(shí)驗(yàn)使用的11 例癲癇患者(7 名男性4 名女性)數(shù)據(jù)來源于云南省第一人民醫(yī)院，其中7 例為全面強(qiáng)直－陣攣性發(fā)作癲癇，3 例為復(fù)雜部分性發(fā)作繼發(fā)全面發(fā)作，1 例為癲癇樣發(fā)作，每個(gè)被試癲癇發(fā)作時(shí)長(zhǎng)為60 s。共33 個(gè)通道，其中22 個(gè)EEG 通道，采樣率為256 Hz。對(duì)照組11 名健康人(9 名男性2 名女性)來自蘭州大學(xué)第二附屬醫(yī)院，共128 個(gè)EEG 通道，采樣率為250 Hz[13]。

運(yùn)用MATLAB R2019b 環(huán)境下的EEGLAB 工具箱進(jìn)行預(yù)處理。選取癲癇患者癲癇發(fā)作、未發(fā)作和對(duì)照組的EEG 通道部分，定義通道位置，并刪除多余電極，癲癇患者和對(duì)照組選擇21 個(gè)EEG 通道:FP1、FPZ、FP2、F7、F8、F3、FZ、F4、T3、T4、C3、C4、T5、T6、P3、P4、PZ、O1、O2、A1、A2。使用FIR 濾波器在1 Hz～40 Hz 進(jìn)行帶通濾波，癲癇患者降采樣率為250 Hz，并進(jìn)行平均參考。將預(yù)處理后的數(shù)據(jù)分為5 s 一段，總共132 段數(shù)據(jù)。

1.2 EEG 微狀態(tài)分析

多通道腦電信號(hào)可以看作是一系列的瞬時(shí)電位地形圖，這些電位地形圖在一定時(shí)間內(nèi)保持準(zhǔn)穩(wěn)定，然后迅速轉(zhuǎn)變?yōu)樾碌牡匦螆D再次保持穩(wěn)定，在這個(gè)時(shí)間段內(nèi)，地形圖的強(qiáng)度和極性可能會(huì)發(fā)生變化，但地形圖的總體拓?fù)浣Y(jié)構(gòu)保持穩(wěn)定，這些穩(wěn)定結(jié)構(gòu)反映了人腦信息加工的基本過程，是人類意識(shí)的重要組成部分，稱為EEG 微狀態(tài)[14]。EEG 微狀態(tài)分析主要包括三個(gè)步驟:計(jì)算全局場(chǎng)功率(Global Field Power，GFP)、聚類和特征計(jì)算。

選取每個(gè)被試的多通道EEG 信號(hào)。首先計(jì)算EEG 數(shù)據(jù)的GFP。GFP 反映了給定時(shí)間內(nèi)電極之間的電位變化程度，GFP 曲線的局部最大值處具有最強(qiáng)的信號(hào)強(qiáng)度和最高的信噪比，且電位分布保持穩(wěn)定狀態(tài)[15]。因此，選取GFP 峰值點(diǎn)處的地形圖來代表其周圍的地形圖進(jìn)行分析，是降低計(jì)算量和提高微狀態(tài)信噪比的有效方法，GFP 峰值對(duì)應(yīng)的電位分布地形圖稱為“原始電位地形圖”。GFP 計(jì)算公式如下:

式中:N為電極數(shù)，ui(t)表示第i個(gè)電極在t時(shí)刻的電壓值，表示所有電極的平均電壓。

然后，進(jìn)行微狀態(tài)聚類。本文選擇改進(jìn)的K均值聚類算法，該算法首先隨機(jī)選擇K個(gè)初始簇中心點(diǎn)，計(jì)算每個(gè)GFP 峰值的EEG 信號(hào)和K個(gè)簇中心點(diǎn)的相關(guān)系數(shù)，相關(guān)系數(shù)最大的歸為一類，將所有的數(shù)據(jù)點(diǎn)歸類后，計(jì)算新的簇中心點(diǎn)，再計(jì)算相關(guān)系數(shù)，重復(fù)上述步驟直到聚類結(jié)束[16]。與傳統(tǒng)K均值不同的是新的簇中心點(diǎn)只從樣本點(diǎn)中選取，且原始微狀態(tài)地形圖的極性不變(忽略極性)，其次，改進(jìn)的K均值模型模擬了每個(gè)數(shù)據(jù)點(diǎn)的微觀狀態(tài)強(qiáng)度[17]。為了與文獻(xiàn)[8－12]進(jìn)行比較，將聚類數(shù)目設(shè)置為4。改進(jìn)的K均值聚類算法與生成模型一致，計(jì)算公式如下:

未來的日子里，四川美豐將繼續(xù)牢固樹立“以市場(chǎng)為導(dǎo)向、以客戶為中心”的經(jīng)營(yíng)理念，抓好產(chǎn)品質(zhì)量，打造肥中精品；全力拓展市場(chǎng)，打造領(lǐng)軍品牌；深化合作關(guān)系，實(shí)現(xiàn)共贏共享，為客戶朋友提供最好的產(chǎn)品、最優(yōu)的政策和最佳的服務(wù)。

式中:A為K簇的原型圖，zn為第n個(gè)EEG 地形圖的微觀狀態(tài)強(qiáng)度，ξn為第n個(gè)EEG 地形圖的噪聲。由于每個(gè)時(shí)間點(diǎn)只能激活一個(gè)微狀態(tài)，模型可表示為:

xn為第n個(gè)EEG 地形圖樣本。ak表示隨機(jī)選取k個(gè)微狀態(tài)的原始地形圖，dkn為第n個(gè)EEG 地形圖和微狀態(tài)k之間的距離，ln表示n個(gè)EEG 地形圖的微狀態(tài)標(biāo)簽。

最后，計(jì)算微狀態(tài)特征。將聚類得到的4 種微狀態(tài)配對(duì)到連續(xù)的EEG 信號(hào)上，得到4 種微狀態(tài)交替出現(xiàn)的時(shí)間序列，即微狀態(tài)序列。計(jì)算傳統(tǒng)特征(平均持續(xù)時(shí)間、出現(xiàn)頻率、覆蓋率和轉(zhuǎn)移概率)。平均持續(xù)時(shí)間表示整個(gè)時(shí)間段中連續(xù)出現(xiàn)的次數(shù)。出現(xiàn)頻率表示指定微狀態(tài)在整個(gè)時(shí)間段內(nèi)出現(xiàn)的次數(shù)。覆蓋率表示整個(gè)時(shí)間段中出現(xiàn)特定微狀態(tài)的時(shí)間段。轉(zhuǎn)移概率為指定微狀態(tài)轉(zhuǎn)換到其他微狀態(tài)的概率。

衡量微狀態(tài)序列的平穩(wěn)性，計(jì)算序列的Hurst指數(shù)和動(dòng)態(tài)特征(ACF、AIF)。其中平穩(wěn)性測(cè)試[18]、ACF[19]和AIF[20]的計(jì)算公式如下:

i為序列長(zhǎng)度，j為通道數(shù)，k表示序列被分為多少個(gè)塊。yt和yt－k為t和t－k個(gè)時(shí)間點(diǎn)的微狀態(tài)序列。AIF 為隨機(jī)序列Xt和Xt＋k之間的互信息。

2 實(shí)驗(yàn)結(jié)果

2.1 微狀態(tài)地形圖

癲癇發(fā)作、未發(fā)作和健康對(duì)照組的微狀態(tài)地形圖如圖1(a)所示，微狀態(tài)A、B、C、D 與靜息態(tài)地形圖的結(jié)果相匹配[21]。圖2(b)比較了癲癇發(fā)作和未發(fā)作、癲癇發(fā)作和健康人、癲癇未發(fā)作和健康人微狀態(tài)A、B、C、D 的GFP 峰值，癲癇發(fā)作的GFP 峰值多于未發(fā)作和健康人的GFP 峰值，癲癇未發(fā)作B、C、D的GFP 峰值與健康人相似。單因素方差分析結(jié)果顯示癲癇發(fā)作和未發(fā)作、癲癇發(fā)作和健康人、癲癇未發(fā)作和健康人的GFP 峰值存在差異(P＝3.249e－04、P＝3.317e－04、P＝0.004，P<0.05)，F(xiàn)DR 校正的配對(duì)T檢驗(yàn)P值小于0.05(P＝9.891e－10、P＝1.810e－13、P＝4.515e－10)。

圖1 癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組的微狀態(tài)地形圖和GFP 峰值

2.2 微狀態(tài)參數(shù)(傳統(tǒng)特征)

癲癇發(fā)作、未發(fā)作和健康對(duì)照組的微狀態(tài)參數(shù)如圖2 所示，癲癇發(fā)作時(shí)微狀態(tài)C 的出現(xiàn)頻率最高，微狀態(tài)D 的平均持續(xù)時(shí)間、覆蓋率有最高值，轉(zhuǎn)移到C、D 的轉(zhuǎn)移概率較高(如:A－C、B－C、C－D、DC)。對(duì)參數(shù)結(jié)果進(jìn)行統(tǒng)計(jì)分析，單因素方差分析結(jié)果顯示癲癇發(fā)作和未發(fā)作、癲癇發(fā)作和健康人、癲癇未發(fā)作和健康人的微狀態(tài)參數(shù)(出現(xiàn)頻率、平均持續(xù)時(shí)間、覆蓋率、轉(zhuǎn)移概率)有顯著差異(P＝0、P＝1.914e－ 05、P＝0、P＝0；P＝7.405e－ 51、P＝1.929e－05、P＝0、P＝0)；P＝1.187e－278、P＝2.203e－05、P＝0、P＝0。P<0.05)。對(duì)有顯著差異的參數(shù)，進(jìn)行配對(duì)T檢驗(yàn)，癲癇發(fā)作和癲癇未發(fā)作出現(xiàn)頻率、覆蓋率在微狀態(tài)A、B、C、D 有差異，平均持續(xù)時(shí)間在B、C、D 有差異，轉(zhuǎn)移概率除A－B 均有差異。癲癇發(fā)作和健康人出現(xiàn)頻率在A、B、D 有差異，持續(xù)時(shí)間在D 有差異，覆蓋率在A、D 有差異，轉(zhuǎn)移概率在A－C、B－A、B－D、C－A、C－D、D－A、D－C 有差異。癲癇未發(fā)作和健康人出現(xiàn)頻率在A、B、C 有差異，持續(xù)時(shí)間在B、C、D 有差異，覆蓋率在A、B、C、D 有差異，轉(zhuǎn)移概率除A－B、C－D、D－C 均有差異。微狀態(tài)參數(shù)FDR 校正后P值均小于0.05(癲癇發(fā)作和未發(fā)作:P＝1.860e－05、P＝1.771e－06、P＝0.003、P＝0.03；癲癇發(fā)作和健康對(duì)照組:P＝2.215e－8、P＝9.432e－06、P＝0.006、P＝0.02；癲癇未發(fā)作和健康對(duì)照組:P＝0.009、P＝0.008、P＝0.04、P＝0.005)。

圖2 癲癇發(fā)作、未發(fā)作和健康對(duì)照組的微狀態(tài)參數(shù)

2.3 Hurst 指數(shù)、ACF 和AIF

分析EEG 微狀態(tài)序列的特征(Hurst 指數(shù)、ACF、AIF)時(shí)，需要衡量序列的穩(wěn)定性，如果序列不穩(wěn)定，一致性要求將會(huì)破壞，導(dǎo)致預(yù)測(cè)失效[22]。實(shí)驗(yàn)對(duì)癲癇發(fā)作、未發(fā)作和健康人的132 段數(shù)據(jù)進(jìn)行平穩(wěn)性測(cè)試。圖3 中癲癇發(fā)作、癲癇未發(fā)作和健康人的P值均大于0.01，微狀態(tài)序列均具有平穩(wěn)性。

圖3 癲癇發(fā)作、未發(fā)作和健康對(duì)照組微狀態(tài)序列的平穩(wěn)性檢驗(yàn)和Hurst 指數(shù)、ACF、AIF 結(jié)果

在確定序列的平穩(wěn)性后，計(jì)算Hurst 指數(shù)、ACF和AIF。Hurst 指數(shù)有132×1 個(gè)特征。ACF 和AIF分別有132×51 個(gè)和132×100 個(gè)特征。癲癇發(fā)作時(shí)Hurst 指數(shù)均大于癲癇未發(fā)作和健康人的Hurst 指數(shù)。配對(duì)T 檢驗(yàn)結(jié)果有顯著差異(癲癇發(fā)作和未發(fā)作:P＝4.085e－04，癲癇發(fā)作和健康人:P＝1.143e－07，癲癇未發(fā)作和健康人:P＝1.119e－04。P<0.05)。ACF 和AIF 從動(dòng)態(tài)角度提供時(shí)間序列信息，癲癇發(fā)作ACF 具有最小值，未發(fā)作ACF、AIF 有最大值。對(duì)癲癇發(fā)作、癲癇未發(fā)作和健康人的ACF 和AIF 特征進(jìn)行配對(duì)T檢驗(yàn)結(jié)果存在顯著差異(癲癇發(fā)作和未發(fā)作:P＿ACF＝0.01，P＿AIF ＝0.002；癲癇發(fā)作和健康人:P＿ACF ＝0.02，P＿AIF ＝0.02；癲癇未發(fā)作和健康人:P＿ACF＝0，P＿AIF＝0)。

2.4 SVM 分類結(jié)果

曾有研究表明，alpha 頻帶作為EEG 的主頻，常被用于EEG 微狀態(tài)分析[23]，Musso 等[24]發(fā)現(xiàn)寬頻帶(1 Hz～30 Hz)微狀態(tài)幾乎與alpha 頻帶的微狀態(tài)相同，Britz 等[25]發(fā)現(xiàn)4 種EEG 微狀態(tài)與特定頻帶之間的關(guān)聯(lián)沒有結(jié)論性結(jié)果。為了進(jìn)一步研究不同頻帶下EEG 微狀態(tài)，將1 Hz～40 Hz 劃分為delta(1 Hz～4 Hz)、theta(4 Hz～8 Hz)、alpha(8 Hz～13 Hz)、beta(14 Hz～ 30 Hz)和gamma(30 Hz～40 Hz)五個(gè)子頻帶。計(jì)算不同子頻帶EEG 微狀態(tài)的傳統(tǒng)特征、Hurts 指數(shù)和動(dòng)態(tài)特征。放入SVM 進(jìn)行分類。分別觀察1 Hz～40 Hz 頻帶和其他5 個(gè)子頻帶EEG 微狀態(tài)特征的分類準(zhǔn)確率。

表1 為癲癇發(fā)作和健康人的分類結(jié)果，在1 Hz～40 Hz 頻段，出現(xiàn)頻率、平均持續(xù)時(shí)間、覆蓋率、轉(zhuǎn)移概率的準(zhǔn)確率為81.5%、74.1%、81.5%、81.5%，傳統(tǒng)特征準(zhǔn)確率(85.2%)高于單一特征準(zhǔn)確率。動(dòng)態(tài)特征準(zhǔn)確率(96.3%)高于ACF 和AIF 的準(zhǔn)確率(ACF:77.8%，AIF:92.6%)。Hurst 指數(shù)準(zhǔn)確率為88.9%，與傳統(tǒng)特征和動(dòng)態(tài)特征融合的準(zhǔn)確率為92.6%、96.3%，高于Hurst 指數(shù)的準(zhǔn)確率。傳統(tǒng)特征、Hurst指數(shù)、動(dòng)態(tài)特征融合的準(zhǔn)確率(99.9%)高于單一特征和兩種特征融合的準(zhǔn)確率。且1 Hz～40 Hz 頻段多特征融合的準(zhǔn)確率高于其他頻段。

表1 癲癇發(fā)作和健康對(duì)照組的SVM 分類結(jié)果 單位:%

表2 為癲癇發(fā)作和癲癇未發(fā)作的分類結(jié)果，在1 Hz～40 Hz 頻段傳統(tǒng)特征、動(dòng)態(tài)特征、Hurst 指數(shù)的準(zhǔn)確率為92.6%、92.6%、74.1%。三種特征融合的準(zhǔn)確率為96.3%，高于單一特征和兩種特征融合的準(zhǔn)確率。多特征融合準(zhǔn)確率在1 Hz～40 Hz 頻段最高。由于delta 三種特征融合的準(zhǔn)確率較其他頻帶低(63%)，對(duì)此，計(jì)算4 Hz～40 Hz 的微狀態(tài)特征并用SVM 進(jìn)行分類，三種特征融合的準(zhǔn)確率為92.6%。

表2 癲癇發(fā)作和癲癇未發(fā)作的SVM 分類結(jié)果 單位:%

表3 為癲癇未發(fā)作和健康對(duì)照組的SVM 分類結(jié)果。傳統(tǒng)特征、Hurst 指數(shù)、動(dòng)態(tài)特征的分類準(zhǔn)確率為96.2%、51.9%、77.8%。三種特征融合的準(zhǔn)確率為96.3%，高于單一特征和兩種特征融合的準(zhǔn)確率。1 Hz～40 Hz 頻段三種特征融合的準(zhǔn)確率高于其他頻帶的準(zhǔn)確率。

表3 癲癇未發(fā)作和健康對(duì)照組的SVM 分類結(jié)果 單位:%

癲癇發(fā)作和健康對(duì)照組的識(shí)別率高于癲癇發(fā)作和癲癇未發(fā)作、癲癇未發(fā)作和健康對(duì)照組的識(shí)別率，說明癲癇患者不發(fā)病時(shí)腦電不完全是正常腦電，也會(huì)出現(xiàn)異常。綜上所述，癲癇EEG 在寬頻帶多特征融合的分類準(zhǔn)確率高于其他頻帶多特征融合的分類準(zhǔn)確率。

3 討論

比較了癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組的GFP 峰值和微狀態(tài)地形圖。發(fā)現(xiàn)癲癇發(fā)作的GFP峰值高于癲癇未發(fā)作和健康對(duì)照組的GFP 峰值(圖1(b)結(jié)果)，曾有研究表明，高GFP 微狀態(tài)可分離性更好[26]，這一結(jié)果對(duì)區(qū)分癲癇發(fā)作、癲癇未發(fā)作和正常人具有重要作用。此外，癲癇發(fā)作、癲癇未發(fā)作和健康人的微狀態(tài)地形圖不同，如微狀態(tài)D(圖1(a)結(jié)果)，很可能是GFP 峰值的差異造成微狀態(tài)地形圖不同[27]。

比較了癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組的微狀態(tài)參數(shù)。與癲癇未發(fā)作相比，癲癇發(fā)作時(shí)微狀態(tài)A 出現(xiàn)頻率增高，微狀態(tài)D 的平均持續(xù)時(shí)間、覆蓋率具有最高值，轉(zhuǎn)移到微狀態(tài)C、D 的概率較高(如A－C、C－D、D－C)(圖2 結(jié)果)。根據(jù)EEG 微狀態(tài)的功能，微狀態(tài)C 與認(rèn)知功能相關(guān)，微狀態(tài)D 與注意力網(wǎng)絡(luò)相關(guān)[21]，很可能與癲癇發(fā)作時(shí)大腦意識(shí)模糊、認(rèn)知能力和注意力下降有關(guān)[1]。與健康對(duì)照組相比，癲癇患者發(fā)病時(shí)出現(xiàn)頻率低于健康對(duì)照組，微狀態(tài)D 平均持續(xù)時(shí)間延長(zhǎng)，微狀態(tài)C、D 的覆蓋率增加，從C－D、D－C 的轉(zhuǎn)移概率顯著高于健康人。從參數(shù)上能反映癲癇發(fā)作、癲癇未發(fā)作和健康人之間的區(qū)別。微狀態(tài)參數(shù)可為癲癇發(fā)作檢測(cè)提供幫助。

比較了癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組的Hurst 指數(shù)和時(shí)間動(dòng)態(tài)特征(ACF 和AIF)。癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組的Hurst 指數(shù)均大于0.5，微狀態(tài)序列具有長(zhǎng)時(shí)間依賴性，且癲癇發(fā)作的Hurst 指數(shù)均大于癲癇未發(fā)作和健康對(duì)照組的Hurst指數(shù)，表明癲癇患者發(fā)病時(shí)對(duì)癲癇發(fā)作的記憶性更強(qiáng)[10]，為預(yù)測(cè)癲癇發(fā)作提供可能。且SVM 分類準(zhǔn)確率均高于70%，能區(qū)分癲癇發(fā)作、癲癇未發(fā)作和健康對(duì)照組，為癲癇發(fā)作檢測(cè)提供新的參考指標(biāo)。與Hurst 指數(shù)不同，ACF 和AIF 從動(dòng)態(tài)角度研究微狀態(tài)序列的長(zhǎng)時(shí)間依賴性，與Hurst 指數(shù)相比，動(dòng)態(tài)特征和傳統(tǒng)特征的分類效果較好。

寬頻帶EEG 多特征融合能更準(zhǔn)確識(shí)別癲癇發(fā)作。SVM 分類結(jié)果表明，運(yùn)用微狀態(tài)傳統(tǒng)特征、Hurst 指數(shù)和時(shí)間動(dòng)態(tài)特征對(duì)癲癇發(fā)作檢測(cè)達(dá)到了較好的效果。Raj 等[11]對(duì)癲癇患者和健康對(duì)照組的微狀態(tài)參數(shù)結(jié)果進(jìn)行分類，準(zhǔn)確率為76.1%，本實(shí)驗(yàn)癲癇患者和健康對(duì)照組微狀態(tài)參數(shù)的分類準(zhǔn)確率為85.2%。Ahmadi 等[12]對(duì)癲癇和癲癇未發(fā)作的參數(shù)結(jié)果進(jìn)行分類，準(zhǔn)確率為80%，本實(shí)驗(yàn)分類準(zhǔn)確率達(dá)到92.6%(表2 結(jié)果)，比Raj、Ahmadi 的準(zhǔn)確率高。此外，實(shí)驗(yàn)加入了微狀態(tài)序列的Hurst 指數(shù)和時(shí)間動(dòng)態(tài)特征，三種特征融合的準(zhǔn)確率達(dá)到99.9%、96.3%、96.3%，說明多參數(shù)融合的準(zhǔn)確率高于單一特征的準(zhǔn)確率，能捕捉到更多的癲癇EEG 信息。不同頻帶的分類結(jié)果表明，癲癇EEG 在寬頻帶多特征融合中具有較高的準(zhǔn)確率。通過實(shí)驗(yàn)，發(fā)現(xiàn)癲癇EEG 微狀態(tài)與頻帶之間是有關(guān)聯(lián)的。

4 結(jié)論

文章運(yùn)用微狀態(tài)分析法對(duì)癲癇腦電信號(hào)進(jìn)行識(shí)別研究。癲癇發(fā)作和癲癇未發(fā)作、癲癇發(fā)作和健康人、癲癇未發(fā)作和健康人在1 Hz～40 Hz 頻段三種特征融合(傳統(tǒng)特征、Hurst 指數(shù)、動(dòng)態(tài)特征)的分類準(zhǔn)確率分別為99.9%、96.3%、96.3%，均高于其他頻帶的準(zhǔn)確率。微狀態(tài)分析法能準(zhǔn)確識(shí)別癲癇EEG 信號(hào)，且寬頻帶多參數(shù)特征融合能捕捉到更多的癲癇EEG 信息，有效提高分類準(zhǔn)確率。