癫痫脑电的小波方差分析

癫痫脑电的小波方差分析

摘要本文提出采用小波包分解皮下脑电信号的波、波、波、波、涟波（ripple）和快速涟波（fast ripple），分别计算出各尺度分解的小波方差，作为癫痫脑电信号的特征量，对癫痫发作进行指示和预测。

关键词癫痫；脑电；小波方差；涟波

中图分类号q1 文献标识码a 文章编号 1674-6708（2011）

52-0100-02

0 引言

癫痫（epilepsy）是一种常见的神经系统疾患，癫痫发作是癫痫的表征，表现为大脑神经元兴奋性增高以及过度同步化放电，并导致短暂性神经系统功能失常，除了临床表征癫痫发作外，脑电对癫痫的判断和分类也具有重要意义[1,2]。

常规的头皮脑电信号是一种典型的非平稳信号，表征脑电信号的特征量比如波、波主要集中在低频，受低频干扰信号，对癫痫发作的指示准确度不够高，而且由于颅骨和皮肤对高频的滤波作用，使得头皮脑电的高频成分信息不完整[3,4]。

本文建立了大鼠癫痫模型，通过高频采样获得大鼠癫痫发作的脑电信号，并运用小波包分析提取癫痫发作期间出现的波、波、α波、β波、涟波和快速涟波各尺度信号，计算各尺度脑电波的小波方差，并采用小波方差对癫痫发作进行指示，不仅能更好的解释癫

痫疾病潜伏的动力学机制，而且能更准确的预测癫痫发作，为癫痫的预测、分类和表征探索了新的方法。

1原理及方法

由parsevals定理可知，正交小波基下的小波变换具有能量守恒的性质。定义某个尺度m下的小波能量为：

（1）

则尺度m下的小波方差为

（2）

对非平稳信号进行小波包多分辨分析，使其经正交小波变换分解为不同尺度下的各个分量。各尺度的小波方差形成尺度域的能谱，是基于尺度的方差分析，可以描述单一尺度下的信号特征，也可以弱化低频噪声。但小波方差方法对特征的提取以及对噪声影响的弱化都依赖于尺度的选择。

建立大鼠癫痫模型：清洁级sd（sprague dawley）癫痫大鼠8只，8~9周龄，体重150g~200g。腹腔注射10％水合氯醛（400mg/kg），麻醉满意后置于立体定向架上，门齿固定器和双耳骨窝三点固定。剃毛，消毒，沿中线切开头皮暴露头骨，止血，用双氧水去除骨膜。用立体定向架定位双侧齿状回和双侧内鼻皮质，在头骨相应位置钻孔并插入深部测量电极，取额区皮层作为参考电极，取枕区皮层作为地电极，用牙科水泥（自凝牙托粉和牙托水混合调制而成）将各电极固定。最后，给大鼠腹腔注射青霉素1ml（80万单位粉状青霉

素用5ml生理盐水溶解），以防止大鼠术后感染。

建立好大鼠癫痫模型后，采用axon脑电仪记录个大鼠癫痫模型发作前1小时到发作后2小时的4导深部脑电信号：两侧齿状回和两侧内鼻皮质。采样频率为1 000hz。axon脑电仪低通为0.2khz

高通0.1hz。系统框图如图1所示。

图1 大鼠癫痫信号测试系统图

诱发大鼠癫痫模型进行癫痫发作，记录大鼠癫痫发作的原始信号如图2所示。选用db5小波对原始信号的第四通道进行小波包变换，提取其中的波（0.5hz~3hz），波（4hz~7hz），波（8hz~13hz），波（30hz~80hz），涟波（80hz~200hz）和快速涟波（200~500hz）各个频段。

图2 大鼠癫痫脑电图

对所获取的波、波、α波、β波、涟波和快速涟波各个频段进行小波方差分析，截取癫痫发作前和发作的小波方差，如下图3所示。

由以下各图可知，波、波、α波、β波、涟波和快速涟波的小波方差都显示了癫痫发作期间的平均能量的变化，即使低频的波和波的小波方差的变化也清楚的癫痫发作脑电从低变化到高，直到癫痫发作的剧烈变化，不受噪声的过大影响，指示出癫痫发作脑电信号变化的全过程；这种能量平均的小波方差比单纯的能量累积法更有效的指示了癫痫脑电的动态变化。

图3 波的小波方差图

图4 波的小波方差图

图5 α波的小波方差图

图6 β波的小波方差图

图7 涟波的小波方差图

图8 快速涟波的小波方差图

由此可得出，小波方差可以准确的指示癫痫发作前后的脑电节律变化的特征，而且对噪声和起点不敏感，尤其对低频的趋势噪声有很好的抑制，可以作为表征癫痫脑电发作的特征量。

其中，图7和图8中的涟波和快速涟波作为一种低幅较高频脑电波，能量比低频脑电波小很多，涟波和快速涟波的小波方差从在癫痫发作前的平稳到发作时的突然增大，以及到发作期间的剧烈变化过程；可清楚的指示出癫痫发作的变化点，能够对癫痫发作做出预测。

2 结论

利用小波包分解将癫痫脑电信号进行分解，提取出波、波、波、波、涟波和快速涟波，获得各脑电波的小波方差，作为表征癫痫发作的特征量，并采用涟波和快速涟波对癫痫发作进行预测，为癫痫的分类、诊断探索了新的方法。

参考文献

[1]i.omerhodzic.energy distribution of eeg signals: eeg

signal wavelet-neural network classifier. international journal of biological and life sciences,2010:6,4: 210-215.

[2]ahmad mirzaei.eeg analysis based on wavelet-spectral entropy for epileptic seizures detection.3rd international conference on biomedical engineering and informatics，2010：878-882.

[3]刘献增，刘扬.涟波振动与大鼠颞叶癫痫发作关系的研究[j].中华老年心脑血管病杂志，2007，9(8)：556-558.

[4]suparerk janjarasjitt.classification of the epileptic eegs using the wavelet-based scale variance

feature.international journal of applied biomedical engineering，2010，vol.3，no1：19-25.