CN104720796A - 一种用于癫痫发作时间段的自动检测***及方法 - Google Patents

Abstract

一种用于癫痫发作时间段的自动检测***及方法，包括，脑电信号采集模块A、信息流网络构建模块B、流出信息提取模块C和分类识别模块D四个模板，基于这四个模块先采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号；再对脑电信号按时间长度划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向；然后根据所得的PDC值计算每个通道的流出信息强度；最后结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：本发明使用PDC提取的流出信息强度能够较好的反映癫痫发作时间段的生理变化情况，具有明确的临床解释，以此作为特征值结合SVM分类检测癫痫发作时间段具有较高的正确率和灵敏度。

Description

一种用于癫痫发作时间段的自动检测***及方法

技术领域

本发明涉及生物医学信号处理技术领域，特别涉及一种用于癫痫发作时间段的自动检测***及方法，主要应用于临床上识别癫痫发作的时间段和减少阅读脑电图的工作量，可以作为癫痫手术术前评估的辅助手段。

背景技术

癫痫发作是由于大脑神经元突发性异常和过度放电，导致短暂的大脑功能障碍，其特点是发作的反复出现。癫痫发作可能给患者带来精神、意识、感觉、运动以及植物神经等各个方面上的损伤。癫痫发作是由于大脑神经元突发性异常和过度放电，导致短暂的大脑功能障碍。脑电图(EEG)是一种非侵入性的测量脑的电活动的工具，可以用作癫痫发作时间段的检测。但由于在多数情况下，癫痫发作时间段无法在短期内预测，因此需要在较长的时间内连续记录脑电。长程脑电图监测可以有效的提供关于大脑电活动、癫痫发作频率、癫痫发作类型等的信息，有助于临床上对癫痫的分析和治疗。

长程EEG经过专家的目测检查，可以确定癫痫发作时间段的情况，但是这是一个相当乏味而耗时的任务，且很依赖专家的经验和主观判断，可重复性较低。因此，计算机自动检测技术一直是癫痫脑电图监测工作中的迫切需求。要使癫痫发作时间段的自动检测技术能够应用到临床中，需要该技术能够很好的判断出癫痫发作期和发作间期的信号，并在分类时能保证较高的正确率和灵敏度。目前用到的一些癫痫检测的方法如下：Murro等人提出一种利用EEG的时域和频域特性作为特征值的算法，包括相对振幅、主频率和脑电图节律等，更好的减小了误报率；Grewal和Gotman基于多频段脑电滤波、频谱特征提取、贝叶斯定理和时空分析发展了癫痫检测的方法。将人工神经网络(ANN)引入到癫痫自动检测***的研究也取得了一定的进展。Nigam和Graupe提出了一种称为LAMSTAR网络的新型神经网络，其以EEG的两个时域变量即棘波幅度和棘波节律作为输入变量。Kiymik等人提出使用以周期和自回归特征作为BP神经网络(BPNN)的特征值输入。Sprinivasan等人分别基于Elman神经网络(EN)和概率神经网络(PNN)利用脑电信号的时域特征近似熵作为输入进行癫痫检测，反映了大脑活动的非线性动力学特点。

目前所采用的癫痫检测方法中使用的特征主要是EEG的幅值、主频率、变异系数、熵值等，并没考虑大脑作为一个有机整体，在产生行为变化或生理功能改变时各部分之间所必然会存在的信息交换和流动。病理学研究表明，癫痫产生的源位置(称为病灶源)和大规模发作脑区并不完全一致，所以从癫痫产生到发作脑区之间会有信息流产生。而且由于癫痫是大脑神经元异常放电导致的，因此在癫痫发作时间段内的不同脑区之间的信息流动会较正常状态有所差异，这种差异既有强度的区别，也有方向的区别。利用这一差异，可以有效地区分癫痫发作间期和发作期的状态，进行癫痫发作时间段的检测。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种用于癫痫发作时间段的自动检测***及方法，基于格兰杰因果性，通过部分有向相干(Partial Directed Coherence，PDC)方法计算不同脑区之间的信息流强度和方向，以此作为脑电特征值输入到支持向量机(SVM)中，用于区分癫痫发作间期和发作期的信号。部分有向相干方法是由K.Sameshima等人在2001年提出的一种在频域中表示格兰杰因果性的方法用于分析不同头皮电极对之间的因果性关系。基于多通道自回归(MVAR)模型的估计，通过PDC算法可以构建一个有向网络，既能反映不同导联之间的联系强度，又能表征信息流的方向。该方法使用PDC提取的流出信息强度能够较好的反映癫痫发作时间段的生理变化情况，具有明确的临床解释，以此作为特征值结合SVM分类检测癫痫发作时间段具有较高的正确率和灵敏度。

为了达到上述目的，本发明的技术方案为：

一种用于癫痫发作时间段的自动检测***，包括四个模板，

脑电信号采集模块A：用于采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号，其中N为总的电极数；

信息流网络构建模块B：用于对脑电信号划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向：对所采集的多通道脑电数据按时间长度划分移动窗片段；对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归MVAR模型的阶数，建立MVAR模型；根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干PDC值，求出各个通道间的PDC强度及方向；

流出信息提取模块C：根据所得的PDC值计算每个通道的流出信息强度：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度；将自身到自身通道的信息流强度置为零；根据置零后PDC矩阵计算各个通道的流出信息强度；

分类识别模块D：用于结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：将所有通道的流出信息强度作为特征值输入到支持向量机SVM进行模式识别分类，使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作时间段的检测结果。

一种用于癫痫发作时间段的自动检测方法，包括以下步骤：

(A)：采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号，其中N为总的电极数，脑电信号为向量X(t)＝[X₁(t),X₂(t),…X_N(t)]^T，其中，T表示矩阵的转置，X_n(t)(n＝1,2,…,N)是第n个通道的脑电信号；

(B)：对脑电信号按时间长度划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向；

(C)：根据所得的PDC值计算每个通道的流出信息强度；

(D)：结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：将所有通道的流出信息强度作为特征值输入到支持向量机SVM进行模式识别分类；使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作信号的检测结果。

所述步骤B具体包括：

(B1)：对所采集的多通道脑电数据按时间长度划分移动窗片段；

(B2)：对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归MVAR模型的阶数，建立MVAR模型：脑电序列表示如下其中p代表MVAR模型的阶数，A_r代表N×N的系数矩阵，r＝1,2,…,p，E(t)代表估计误差；系数矩阵的估计用Levison-Wiggins-Robinson算法求得；

(B3)：根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干PDC值，求出各个通道间的PDC强度及方向：对MVAR模型的系数矩阵A_r作傅里叶变换，得到定义传递函数为 $\stackrel{\‾}{A}\left(f\right)=I-A\left(f\right)=[{\stackrel{\‾}{a}}_1\left(f\right),{\stackrel{\‾}{a}}_2\left(f\right),\·\·\·,{\stackrel{\‾}{a}}_N\left(f\right)],$ 其中中的第i行第j列元素为进而获得在频率f上从导联j到导联i的信息流 ${\mathrm{PDC}}_{j\→i}\left(f\right)={\stackrel{\‾}{A}}_{\mathrm{ij}}\left(f\right)/\sqrt{{\stackrel{\‾}{a}}_j^T\left(f\right){\stackrel{\‾}{a}}_j\left(f\right)},$ 其中代表矩阵的第i行第j列元素，代表矩阵的第j列，PDC_j→i(f)表示在频率f时，从导联j到导联i的PDC的强度和方向。

所述步骤C具体包括：

(C1)：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度；

(C2)：将自身到自身通道的信息流强度置为零，即将i＝j的通道间的PDC值置零；

(C3)：根据置零后PDC矩阵计算各个通道的流出信息强度：设从导联j到导联i的信息流强度为γ_ij，则导联m的流入信息和流出信息可由下式给出： ${\mathrm{flow}}_{\mathrm{In}}={\mathrm{\Σ}}_{j=1}^N{\mathrm{\γ}}_{\mathrm{mj}};{\mathrm{flow}}_{\mathrm{Out}}={\mathrm{\Σ}}_{i=1}^N{\mathrm{\γ}}_{\mathrm{im}}.$ 流入信息的值代表导联m作为目标导联，从其他导联接收的信息总和，而流出信息的值代表导联m作为源，向其它导联传输的信息总和。流入信息和流出信息可以表征大脑特定区域和其他不同脑区之间的信息交互过程。考虑到癫痫发病的病理学诊断主要是癫痫源脑区神经细胞首先过度放电，然后过渡到周围脑区，所以，癫痫发作过程中会有较多的信息从癫痫源脑区流出。因此，用流出信息可以更好的表征癫痫发作前后的信息流变化。

本发明的优势在于：本发明从大脑不同脑区信息流的方向和强度的角度，提出了利用PDC方法与SVM分类提出了一种新的方法用于自动检测癫痫发作的时间段，该方法不仅能够有效、准确地检测出癫痫发作的时间段，而且能够很好的符合癫痫的病理学特性，其生理学解释能够为临床上所接受。本发明对癫痫发作时间段的检测更加准确，可应用于临床上减少阅读癫痫EEG的工作量，帮助更好的确认癫痫发作的时间段，可以作为癫痫手术术前评估的辅助手段。通过与其他特征提取方法(如近似熵、AR模型结合主成分分析)、其他分类器(如BP人工神经网络)的比较，结果表明PDC-SVM的方法具有更高的准确性、灵敏性和特异性。

附图说明

图1为本发明所述的一种用于癫痫发作时间段的自动检测***图。

图2为某病人癫痫发作前后的EEG，总计19导。

图3(a)为某病人癫痫发作开始前30s各通道在频率为0-100Hz下的PDC值(只绘制出前5导)；图3(b)为某病人癫痫期发作开始后30s各通道在频率为0-100Hz下的PDC值(只绘制出前5导)。

图4(a)为某病人癫痫发作开始前30s各通道之间的信息流伪彩图(考虑自身到自身通道的信息流，对角线i＝j未置零)；图4(b)为某病人癫痫期发作开始后30s各通道之间的信息流伪彩图(考虑自身到自身通道的信息流，对角线i＝j未置零)。

图5(a)为某病人癫痫发作开始前30s各通道之间的信息流伪彩图(不考虑自身到自身通道的信息流，对角线i＝j置零)；图5(b)为某病人癫痫期发作开始后30s各通道之间的信息流伪彩图(不考虑自身到自身通道的信息流，对角线i＝j置零)。

图6(a)为某病人发作开始前6秒的流出信息脑电地形图；图6(b)为某病人发作开始前3秒的流出信息脑电地形图；图6(c)为某病人发作开始后3秒的流出信息脑电地形图。

图7为某病人经5重交叉验证的SVM分类输出，即癫痫发作时间段的检测结果。

具体实施方式：

下面将结合附图和实施例对本发明做进一步详细的描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参照图1，一种用于癫痫发作时间段的自动检测***，包括四个模板，

脑电信号采集模块A：用于采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号，其中N为总的电极数。

信息流网络构建模块B：用于对脑电信号划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向：对所采集的多通道脑电数据按时间长度划分移动窗片段；对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归MVAR模型的阶数，建立MVAR模型；根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干PDC值，求出各个通道间的PDC强度及方向。

流出信息提取模块C：根据所得的PDC值计算每个通道的流出信息强度：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度；将自身到自身通道的信息流强度置为零；根据置零后PDC矩阵计算各个通道的流出信息强度。

分类识别模块D：用于结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：将所有通道的流出信息强度作为特征值输入到支持向量机SVM进行模式识别分类，使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作时间段的检测结果。

实施例一

本实施例基于***的检测方法，包括以下步骤：

(A)：采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到19编号，其中19为总的电极数：本实施例中共采集脑电19导，其电极放置位置遵循10/20国际标准***电极放置法，所采集到的某病人癫痫发作前后的EEG如图2所示。

(B)：对EEG信号按时间长度划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向。

所述步骤B具体包括：

(B1)：对所采集的多通道脑电数据按照时间长度划分移动窗片段：将发作间期和发作期的19通道脑电数据分别划分成无重叠的3s移动窗片段；

(B2)：对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归(MVAR)模型的阶数：

AIC(p)＝2log(det(Σ))+2pm²/N_total(1)

其中，N_total是全部用于计算的数据点数。AIC-p曲线拐点处的p值即为本模型的阶数，在本实施例中p的取值在2到5之间。

建立多变量自回归(MVAR)模型：设t时刻的19导联脑电信号为向量X(t)＝[X₁(t),X₂(t),…X₁₉(t)]^T，其中，T表示矩阵的转置，X_n(t)(n＝1,2,…,19)是第n个通道的脑电信号。通过建立多通道自回归模型，脑电序列可以表示如下

$X\left(t\right)={\mathrm{\Σ}}_{r=1}^p{A}_{r}X(t-r)+E\left(t\right)---\left(2\right)$

其中，p代表MVAR模型的阶数，A_r代表N×N的系数矩阵，r＝1,2,…,p，E(t)代表估计误差，理想情况下为均值为零的非相关白噪声。系数矩阵A_r的估计可以用Levison-Wiggins-Robinson(LWR)算法求得。

(B3)：根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干(PDC)值，求出各个通道间的PDC强度及方向：对MVAR模型的系数矩阵A_r作傅里叶变换，得到

$A\left(f\right)={\mathrm{\Σ}}_{r=1}^p{A}_r{e}^{-2\mathrm{\πirf}}---\left(3\right)$

定义传递函数为

$\stackrel{\‾}{A}\left(f\right)=I-A\left(f\right)=[{\stackrel{\‾}{a}}_1\left(f\right),{\stackrel{\‾}{a}}_2\left(f\right),\·\·\·,{\stackrel{\‾}{a}}_N\left(f\right)]---\left(4\right)$

其中中第i行第j列(i＝1,…,19；j＝1,…,19)的元素为

进而可以获得在频率f上从导联j到导联i的信息流

${\mathrm{PDC}}_{j\→i}\left(f\right)={\stackrel{\‾}{A}}_{\mathrm{ij}}\left(f\right)/\sqrt{{\stackrel{\‾}{a}}_j^T\left(f\right){\stackrel{\‾}{a}}_j\left(f\right)}---\left(6\right)$

其中代表矩阵的第i行第j列元素，代表矩阵的第j列，PDC_j→i(f)表示在频率大小为f(0<f<100Hz)时，从导联j到导联i的PDC的强度和方向，图3显示了在某病人癫痫发作开始前后30秒时，前5导通道之间在0-100Hz下的PDC强度和方向。

(C)：根据所得的PDC值计算每个通道的流出信息强度。

所述步骤C具体包括：

(C1)：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度：对同一对通道之间各频率下的PDC值平方求和，即为该对通道之间的信息流强度。图4给出了某病人癫痫发作开始前后30s各通道之间的信息流伪彩图(考虑自身到自身通道的信息流，对角线i＝j(i＝1,…,19；j＝1,…,19)处的值未置零)；

(C2)：将自身到自身通道的信息流强度置为零：为了更好的体现出不同脑区之间的联系，剔除通道自身对自身的影响，所以将i＝j的通道间的信息流强度值置为零。图5给出了某病人癫痫发作开始前后30s各通道之间的信息流伪彩图(不考虑自身到自身通道的信息流，对角线i＝j(i＝1,…,19；j＝1,…,19)处的值置零)；

(C3)：根据置零后PDC矩阵计算各个通道的流出信息强度：设从导联j到导联i(i＝1,…,19；j＝1,…,19)的信息流PDC总能量为γ_ij，则导联m(m＝1,…,19)的流入信息和流出信息可由下式给出：

${\mathrm{flow}}_{\mathrm{In}}={\mathrm{\&Sigma;}}_{j=1}^N{\mathrm{\&gamma;}}_{\mathrm{mj}};{\mathrm{flow}}_{\mathrm{Out}}={\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&gamma;}}_{\mathrm{im}}---\left(7\right)$

流入信息的值代表导联m作为目标导联，从其他导联接收的信息总和，而流出信息的值代表导联m作为源，向其它导联传输的信息总和。用流出信息可以更好的表征癫痫发作前后的信息流变化，以此作为特征值进行分类。如图6所示，根据流出信息强度，绘制了某病人在癫痫发作开始前6秒、前3秒以及开始后3秒的流出信息脑电地形图。

(D)：结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类。

所述步骤D具体包括：

(D1)：将所有通道的流出信息强度作为特征值输入到支持向量机(SVM)进行模式识别分类：以计算出来的19个通道的流出信息强度作为特征值，将其输入到支持向量机中进行训练和测试。

(D2)：使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作时间段的检测结果：为了保证SVM对数据的分类正确率确实代表实际中的真实正确率，本实施例采取了5重交叉验证以做到样本内优化和样本外检测。在使用交叉验证时，将数据集分为5组，每一组都包含相同比例的待分类样本集。选择其中4组作为SVM的训练集，剩余一组作为测试集，对交叉验证结果取平均值后得出SVM的分类结果。

分类结果可用如下指标进行评价，其中，真阳性(TP)的是算法的判断正确的癫痫发作时间段片段，假阳性(FP)是算法判断错误的癫痫发作时间段片段，真阴性(TN)是算法判断正确的非癫痫发作时间段片段，假阴性(FN)是算法判断错误的非癫痫发作时间段片段。

SVM对本实施例中癫痫发作时间段的分类结果如图7所示，可见分类的准确性、灵敏性、特异性以及平均检出率都比较高，与真实的检测结果相当一致，具有较高的操作性和应用价值。

Claims (4)

1.一种用于癫痫发作时间段的自动检测***，其特征在于，包括四个模板，

脑电信号采集模块(A)：用于采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号，其中N为总的电极数；

信息流网络构建模块(B)：用于对脑电信号划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向：对所采集的多通道脑电数据按时间长度划分移动窗片段；对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归MVAR模型的阶数，建立MVAR模型；根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干PDC值，求出各个通道间的PDC强度及方向；

流出信息提取模块(C)：根据所得的PDC值计算每个通道的流出信息强度：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度；将自身到自身通道的信息流强度置为零；根据置零后PDC矩阵计算各个通道的流出信息强度；

分类识别模块(D)：用于结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：将所有通道的流出信息强度作为特征值输入到支持向量机SVM进行模式识别分类，使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作时间段的检测结果。

2.一种基于权利要求1***的自动检测方法，其特征在于，包括以下步骤：

(A)：采集癫痫患者的发作间期和发作期的多通道脑电信号，并对其中的电极从1到N编号，其中N为总的电极数，脑电信号为向量X(t)＝[X₁(t),X₂(t),…X_N(t)]^T，其中，T表示矩阵的转置，X_n(t)(n＝1,2,…,N)是第n个通道的脑电信号；

(B)：对脑电信号按时间长度划分移动窗并建立MVAR模型及计算各通道之间PDC强度和方向；

(C)：根据所得的PDC值计算每个通道的流出信息强度；

(D)：结合交叉验证以流出信息强度为特征值使用支持向量机进行识别分类：将所有通道的流出信息强度作为特征值输入到支持向量机SVM进行模式识别分类；使用k重交叉验证，同时进行样本内优化和样本外测试，SVM的二分类结果即为癫痫发作信号的检测结果。

3.根据权利要求2所述的的自动检测方法，其特征在于，所述步骤B具体包括：

(B1)：对所采集的多通道脑电数据按时间长度划分移动窗片段；

(B2)：对每个移动窗，根据赤池信息量准则即AIC准则确定多变量自回归MVAR模型的阶数，建立MVAR模型：脑电序列表示如下其中p代表MVAR模型的阶数，A_r代表N×N的系数矩阵，r＝1,2,…,p，E(t)代表估计误差；系数矩阵的估计用Levison-Wiggins-Robinson算法求得；

(B3)：根据移动窗的MVAR模型系数计算各个通道之间的部分有向相干PDC值，求出各个通道间的PDC强度及方向：对MVAR模型的系数矩阵A_r作傅里叶变换，得到定义传递函数为 $\stackrel{\&OverBar;}{A}\left(f\right)=I-A\left(f\right)=[{\stackrel{\&OverBar;}{a}}_1\left(f\right),{\stackrel{\&OverBar;}{a}}_2\left(f\right),...,{\stackrel{\&OverBar;}{a}}_N\left(f\right)],$ 其中中的第i行第j列元素为进而获得在频率f上从导联j到导联i的信息流 ${\mathrm{PDC}}_{j\&RightArrow;i}\left(f\right)={\stackrel{\&OverBar;}{A}}_{\mathrm{ij}}\left(f\right)/\sqrt{{\stackrel{\&OverBar;}{a}}_j^T\left(f\right){\stackrel{\&OverBar;}{a}}_j\left(f\right)},$ 其中代表矩阵的第i行第j列元素，代表矩阵的第j列，PDC_j→i(f)表示在频率f时，从导联j到导联i的PDC的强度和方向。

4.根据权利要求2所述的的自动检测方法，其特征在于，所述步骤C具体包括：

(C1)：将同一对通道之间各频率下的PDC值平方求和，即为这对通道之间的信息流强度；

(C2)：将自身到自身通道的信息流强度置为零，即将i＝j的通道间的PDC值置零；

(C3)：根据置零后PDC矩阵计算各个通道的流出信息强度：设从导联j到导联i的信息流强度为γ_ij，则导联m的流入信息和流出信息可由下式给出： 流入信息的值代表导联m作为目标导联，从其他导联接收的信息总和，而流出信息的值代表导联m作为源，向其它导联传输的信息总和；流入信息和流出信息可以表征大脑特定区域和其他不同脑区之间的信息交互过程，考虑到癫痫发病的病理学诊断主要是癫痫源脑区神经细胞首先过度放电，然后过渡到周围脑区，所以，癫痫发作过程中会有较多的信息从癫痫源脑区流出，因此，用流出信息可以更好的表征癫痫发作前后的信息流变化。