基于小波的发作自动检测

孙璐

摘要 自动癫痫检测通常需长时间监视，是颅内监测的重要手段。现有方法存在较大的误检率，特别是在颅内脑电图中。为了摸清发作检测方法的节律特征，开发了一种基于小波的方法，比较发作脑电与背景脑电的不同，并对该方法的性能进行了探讨。

关键词 癫痫自动检测；颅内脑电检测；小波变换

DOI DOI： 10.11907/rjdk.162430

中图分类号： TP301

文献标识码： A 文章编号 文章编号： 16727800（2017）002001102

0 引言

癫痫自动检测（Automatic Seizure Detection）对长期癫痫监视非常重要。众所周知，很多病人癫痫发作是因为没有被警告，或者被警告却不能按下报警按钮，或者根本就没有察觉[1]。让一个人24小时监视一个连续的脑电图（EEG）记录是非常乏味的，且成本较高，当脑电图的通道增加，或当病人使用脑内电极时，问题会更加严峻。自动检测，特别是在线检测，能够很好地辅助识别可能发作的脑电图区。即使存在误告警情况，自动检测依然是有用的，因为专业人士会复查所有检测，错误检测会很快被摒弃。

早期有通过简单的计算幅度来进行发作检测，而被广泛应用的方法则是Gotman方法[2]，后续对该方法进行了改进和扩展[3]。Gotman方法已被应用于临床诊断和治疗中，它需要对不同环境下的病人群体使用独立估计[4]。

颅内记录较头皮记录有很大优势，受人工影响少（虽然存在来自于故障探针的技术问题，但极少）。同时，这种颅内记录也存在劣势，它会呈现大量幅度和频率波动的EEG模式。Harding[5]开发了一种针对于颅内检测EEG（Stereo Electro-Encephalo-Grams 或 SEEG）的特殊方法，但是要评价其性能是很困难的，这是因为对于每个被记录下来的首次发作的病人，其检测标准是不同的。Osorio等[6]也提出了一种针对SEEG记录的方法。他们针对125个发作片段和超过200个非发作片段来进行评价，但是其数据总数只有54小时，记录有8个或者16个通道。令人惊奇的是，其获得了100%的灵敏度并且没有失败检测。必须注意到，该算法是针对所研究的数据集（没有进行针对无关数据集的测试）。

本文提出的发作检测方法主要针对EEG。该方法是基于小波分析并且应用了宽的时空背景，它通过与开发数据集完全无关的未经选择的数据集进行测试。

1 小波变换

小波变换作为信号分析和特征提取的重要工具，可以给出信号在时域和频域的信号表示。不同于傅里叶变换只提供信号全局规整性的描述，小波变换给出了不同频率的时空估计。该特性很适用于EEG信号，具有时变的频率特性并且包括突发事件。选择合适的小波来匹配发作的形状和频率特性很重要，本文选择Daubechies-4小波，使用它来分析非静止信号，如EEG非常适用。不同尺度的离散小波变换（DWT）系数可以使用一个简单的递归数字滤波器组。高通滤波器的输出给出了这一系列该尺度的DWT系数（也称为细节系数）。低通滤波器的输出包含了信号的低频能量，称为尺度函数（也称为逼近系数）。

采样率是200Hz的信号带限于100Hz（Nyquist 准则）。因此，递归滤波给出50～100Hz（尺度1）、25～50Hz（尺度2）、12～25Hz（尺度3）、6～12Hz（尺度4）、3～6Hz（尺度5）的細节系数和逼近系数以代表剩余信号（低频信息）。在深层记录的EEG信号中出现的发作通常出现在3～25Hz。因此，该频率范围会出现在尺度3、4、5中。

2 特征

2.1 能量

在发作时间上，EEG往往跨过大部分的尺度（例如宽范围的频率）。相反地，当发作出现时，EEG会出现有节奏的行为，如在一定周期上相同波形的重复，因此在多尺度框架下只是出现在有限的几个尺度。对于Daubechies小波，形成了在时间-频率平面上的一个正交基，小波系列系数的平方和就是信号的能量，DWT尺度l的能量可表示为：

2.2 变化系数（Coefficient of Variation）

当进行EEG幅度分析时，常使用的特征是均值（μ）、标准差（σ）和变化系数（σ2/μ2）。这些都是从原始信号或者调整后的信号计算而得。在当前工作中，变化系数是对选定的‘ l 层的DWT系数进行计算而得。在该方法中，波形被分为很多片段，一个片段定义为最小值和接着的最大值之间的部分或者反之。每个片段以其持续时间、幅度和方向而界定。片段的均值和标准差被计算，进而可以据此进行幅度变化系数 c （ l ）的计算。对于在很多种发作中出现的有节奏的行为，变化系数可能会给出较小的值。因此，采用预测的门限值（CTH），而变化系数则作为发作分析的第二特征。

2.3 相对幅度

在发作过程中的某些点，有节奏的发作分量的幅度与发作前的背景相比变得更大。平均幅度的计算如上所述，也即该片段幅度的均值。为了衡量相对于背景的幅度，每个EEG 片段被其相对应层的背景标准化。基于已有实验经验，选择停留了20s间隔后的15s。

3 结果

本实验所采用的脑电数据是来自于德国波恩癫痫研究室数据库的F和S集[7]。每个集包含100个单通道脑电数据，每段数据的长度为23.6s，采样率为173.6Hz。这些数据采用目测检查的方法，去除了伪迹、干扰，并经过裁剪而得到。其中F集记录了没有癫痫发作的脑电记录，而S集记录了癫痫活动。

发作期间EEG的频谱很宽，覆盖了3～29Hz的范围。图1给出了一个带有发作行为的EEG信号的小片段，它被分解为5个细节函数（‘D）和逼近函数（‘A）。对于这段EEG，在尺度3和4有系数的最大值。小波因此被看作是一组能够表示自然的高度短暂的现象，如EEG中的棘和发作信号的函数。接着对分解的系数进行特征提取，构成特征向量。采用本文方法进行癫痫发作检测，结果如表1所示。从实验结果看，本文方法在敏感度、特异性、识别率方面均优于以往方法。

4 结语

基于小波的方法与以往方法在敏感度上相差无几，但是错误报警率有所降低，识别率有较大提升。检测结果并没有因为数据集的改变而出现很大偏差，在某种程度上反映了该方法并不是只适合训练集，而是能更好地加以推广，而不损失其有效性。

由于多因素影响，针对颅内脑电的发作检测方法面临很多挑战。发作可能会只出现在一个或两个通道，在这种情况下依赖空间特性就颇为困难（例如在几个空间相谐的信道都有发作行为）。很多电极被放置并且因此很多信道都必须被分析。随着通道数目的增加，失败检测的数目也相应增加。这种增加不一定是线性的，这是因为相似的行为往往会出现在几个信道，但是这并不是很重要。例如，如果为每个病人选择4～8个已经知道有发作发生的信道，检测率可能不会有很大变化，但是失败检测往往会有很大降低。

考虑到这种失败告警很少，于是将注意力转移到漏掉的发作，这尤为重要。为了通过小波方法来处理假阴性，需要重新强调：为了在一个通道有一个预检测，需要在5s内有至少两个候选发作，并且15s之内两个候选发作需要有重复。该假设使突发性的非发作行为产生容易分辨的候选发作，同时发作在短时间跨度内可以被检测。

识别正确率是决定癫痫检测算法是否可以应用于临床的关键，本文提出了采用小波变换对脑电信号进行多尺度分析，并分别提取各尺度特征组成特征向量的方法。该方法可以达到94.82%的识别率，能够有效地检测癫痫发作，为基于脑电信号的癫痫检测仪器的研制提供了理论基础。

参考文献：

[1] BLUM DE，ESKOLA J，BORTZ JJ，et al.Patient awareness of seizures[J].Neurology，1996（47）：260264.

[2] GOTMAN J.Automatic recognition of epileptic seizures in the EEG[J].Electroenceph clin Neurophysiol，1982（54）：530570.

[3] GOTMAN J.Automatic seizure detection： improvements and evaluation[J].Electroenceph Clin Neurophysiol，1990（76）：317341.

[4] PAURI F，PIERELLI F，CHARTRIAN GE，et al.Long term EEGvideoaudio monitoring： computer detection of focal EEG seizure patterns[J].Electroenceph clin Neurophysiol，1992（82）：19.

[5] HARDING GW.An automated seizure monitoring system for patients with indwelling recording electrodes[J].Electroenceph Clin Neurophysiol，1993（86）：428465.

[6] OSORIO I，FREI MG，WILKINSON SB.Realtime automated detection and quantitative analysis of seizures and shortterm prediction of clinical onset[J].Epilepsia，1998（39）：615642.

[7] R ANDRZEJAK，K LEHNERTZ，F MORMANN，et al.Indications of nonlinear deterministic and finitedimensional structures in time series of brain electrical activity：dependence on recording region and brain state[J].Physical Review E，2001，64（6）：18.

（責任编辑：孙 娟）