基于数据挖掘技术的AD脑电定征辅助检测技术探讨*

郝丽俊 莫国民 王 艳 张志芳

①上海医疗器械高等专科学校 上海 200093

②上海交通大学附属新华医院 上海 200092

老年痴呆（AD）症－学术上称为阿尔茨海默氏症。作为一种危害性较大的脑神经疾病，多发生在65岁以上人群，其发病机率仅次于心脑血管疾病和癌症。此病病程迁延，呈进行性加重，拌有严重的记忆力减退，甚至产生错觉和幻觉等精神病症状，给患者家庭及社会带来严重的负担。随着生活水平的提高，人口组成老龄化趋势的加重，如果人类不能找到有效的治疗方法，25年后全球预计将有2 200万人患上老年痴呆症，到2050年患此疾病的人数将达4 500万，老年痴呆症将成为人类社会的流行病。

因此，研究对AD的无创检测，为痴呆患者提供早期诊断手段，对预防该病的发生、发展具有重要的价值。

当前，脑功能异常和疾病的定征检测技术是脑功能信息学最有实用价值的研究。该技术主要是通过对能反映脑功能异常和疾病的生理信号，进行处理分析和特征提取，找出特异性好、敏感性强、稳定性好的特征参量，识别脑功能异常和脑疾病定征。本课题主要从统计学的角度，从大量痴呆患者中随机检测若干样本进行分析，找到能够辅助诊断老年痴呆的EEG特征性信息。本次实验对象与数据采集的实验数据主要来自新华医学脑电图室。测量时，患者安静闭目，静坐。按照国际10～20系统电极法，将电极分别放置在两前额、额、中央、顶、枕、前颞、中颞、后颞区等16个部位。

对照组：本课题的老年痴呆病例来自新华医院脑电图室20例。

研究组：同年龄段正常老年人10例。

对照两组，正常老年人的EEG中，α波频率稍有减慢，θ波数量稍有增多。AD患者由于脑皮层萎缩，常有异常改变，临床表现为α波频率更加减慢，β波减少，严重者α波、β波消失，θ波、δ波占主导。

临床诊断为：θ波占50%以上时，为中度异常；δ波占50%以上时，为高度异常。

1 研究方法

EEG波形复杂，信号极其微弱，仅达μV级别，且频率多集中在32 HZ以下，易受外界信号干扰。同时，由于个体差异、年龄差异、性别差异等都可能造成EEG的不同。

为较好地识别不同AD患者共有脑电的特征，并减小个体差异性的影响，本课题对EEG信号进行小波能量谱分析，随机分析多组AD患者EEG信号，与正常脑电信号进行比对。以此为样本采取数据挖掘技术，寻求特征明显、稳定度高的特征参量，以此作为AD患者的辅助诊断依据。

1.1 单一AD患者EEG信号的小波能量谱分析

EEG是非平稳随机信号，其频率较低，主要集中在31 HZ以下，故传统的时域分析法对异常脑电图的判断准确率比较低。

课题中，将各导联采集到的EEG，采用小波变换进行脑电的能量谱分析，将信号分解到四个主要频段，得到EEG中各波形的能量分布。

EEG信号有一个明显的特点，即在低频端应具有很高的频率分辨率，而在高频段的频率分辨率可以较低。小波变换具有多分辨率特点，可对EEG信号低频端做进一步的分解，对各频段信号的检测更为精确。

非平稳信号s（t）的小波变换定义为

式中小波变换的基函数

在实际应用中，通常将连续小波Φa,b(t)针对尺度a和平移参数b加以离散化。借助分辨率不同的正交小波基完成各低频段的信号分析。

临床核医学影像研究表明：老年痴呆患者主要病变在海马和皮质部位，表现为神经纤维缠结和脑萎缩及白质异常。由此推断，AD患者EEG的异常应主要表现在颞、额和顶叶附近。

以一位79岁AD患者为例，其脑电信号见图1。由图1可得：正常老年人EEG背景波应主要集中在8～9 HZ，以低频的α波为主，伴有少量的θ波；但该患者EEG信号频率明显减低，尤以两额慢性活动明显增加，背景波主要集中在7 HZ以下，以θ波和大量的波为主。

图1 AD患者EEG与正常EEG的对比

对其额部的EEG进行功率谱分析，可得其能量分布，见图2。

图2 AD患者与正常老年人额部EEG能量分布百分比图

通过小波能量谱分析，AD患者EEG能量谱异常率明显高于正常EEG，表现为α波能量降低，δ波能量增多。

1.2 数据挖掘技术

数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，发现令人感兴趣的模式[2]，因此又称为数据库中的知识发现。它主要融合了人工智能、统计学、数据库、机器学习等领域的技术。

数据挖掘的过程包括：数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估和知识表示。

在数据挖掘中，预测性模型是一种重要的方向。在此，选用有监督的学习方法（见图3）。通过多个不同程度的AD患者进行脑电分析，试图找到一种具有普遍意义的比较明显的痴呆脑电特征，并以此为痴呆患者诊断的一个参考依据验证其他AD患者。

图3 有监督的学习

数据挖掘中的时序模式能对基于时序的交易数据进行数据分析，而不考虑具体时间对交易中数据有效性的影响。这与我们寻求一般AD患者EEG具有代表性的特征参数是吻合的，

1.3 基于数据挖掘的脑电定征探索

基本模型：对20个样本单一AD脑电信号的能量谱逐个分析，以两额部能量分布百分比为研究对象。记录并整理10个正常样本的数据，求其能量分布百分比平均值，并记录在表1中。

随机从20个AD患者样本中选取10个，并对样本编号（1～10），各频段能量与正常EEG能量分布百分比之差绝对值进行编码（A：=0.5以上，B：=0.1～0.5，C：=0.05～0.1，D：=0.05以下），将结果记录在表2、表3中。

表1 正常老年人在F3导联处EEG能量分布百分比（总能量记作1）

表2：10个AD样本EEG在F3导联处EEG能量分布百分比

3 0.16 0.27 0.45 0.12 4 0.64 0.15 0.08 0.14 5 0.12 0.23 0.41 0.22 6 0.09 0.42 0.31 0.18 7 0.62 0.11 0.06 0.21 8 0.48 0.12 0.15 0.25 9 0.73 0.08 0.07 0.12 10 0.17 0.51 0.16 0.16

表3 10个AD样本EEG在F3导联处EEG能量分布百分比

从选取的样本比较不同程度的AD患者EEG能量变化，发现一个明显的规律：相对正常老年人的EEG，AD患者EEG信号的α波能量变化统计结果中都在B以上，即变化量都在10%以上。对于严重的AD患者，δ波能量变化比较明显。

2 结果与分析

结合临床诊断，以随机10组数据为样本分析，可推测AD患者额部EEG能量变化较大。对于不同程度的AD患者，低频α波的能量百分比变化较为显著，可以此为AD患者早期辅助诊断的重要依据。

3 讨论

基于脑电信息的老年痴呆疾病的定征检测技术可作为老年痴呆症等重要的辅助诊断手段，帮助早期诊断和及时确诊。而进一步将该技术与基于USB接口的脑电采集预处理系统结合，构建小型化、便捷化的老年痴呆诊断系统，则对于当前家用电脑普及下，老年痴呆早期诊断走向社区、走向家庭提供可能，方便独居老人，行动不便的老人早期检查，及时发现病情，进而达到及时治疗的目的。

[1]范东辉.严重影响健康的老年痴呆症[J].中华检验检疫，2006(12):64.

[2]Peter H, George et al，Scientific American Alzheimer's pieeing together [J]. Scientific American,2001(3):235-239.

[3]张德明, 陆国平, 张伯英.老年性痴呆病与正常老年人脑电图、脑电地形图对照分析[J].中国临床康复，2002,6(19):2876-2877.

[4]郑崇勋、裴晓梅.脑神经功能信息学研究进展[J].中国生物医学工程进展，2006,30(6):399-406.

[5]陈滨津，李 轶，张谦.小波分析在早老性痴呆脑电诊断中的应用[J].医疗卫生装备，2005,26(7):1-2.

[6]丁崧，黄上腾.预测性模型中的一种数据挖掘算法[J].计算机工程与应用，2001,37(2):86-87.