单导联癫痫脑电检测算法探究

《工业控制计算机》2019年第32卷第1期

目前,癫痫的诊断主要是由有经验的神经科人员对患者的EEG 信号进行查看,由于脑电信号数据过于巨大,且医生容易产生疲劳等,极易导致检测效率低下,甚至误诊。所以,计算机自动检测和识别癫痫信号迫在眉睫,逐渐成为当下的热门[1-4],基于机器学习和人工智能算法自动检测脑电信号,对于提升医生诊断效率具有重要的意义[5]。癫痫自动检测技术发展迅猛。张瑞等分别从时域分析、频域分析、时频分析、非线性动力学、图论和癫痫计算模型6个方面对已有癫痫脑电特征提取方法进行归类[6]。

杜沛冬结合多个迁移卷积神经网络和随机森林的癫痫检测算法,对癫痫信号进行分类,达到了90.22%的灵敏度,98.76%的特异性和98.75%的准确度[7]。Raghunathan S 等人应用一种多级癫痫发作检测算法,结合5例弗莱堡癫痫脑电患者数据,其特异性和灵敏度分别为99.82%和87.5%[8]。

张鹏博等基于本征模态函数(IMF )解析信号,提出新的子适应带宽特征,进而提高了检测精度[9]。卫作臣等基于贝叶斯最小风险的癫痫脑电自动检测算法,得到了90.66%灵敏度和92.52%特异性[10]。牛宝东等基于希尔伯特黄变换和支持向量机分类算法,使其准确度达到98.8%[11]。1癫痫信号

癫痫发作信号与非癫痫信号有着很大的区别,癫痫脑电,棘波、尖波等特征波比较多,且发作迅速,通常在几秒乃至几分钟之间;非癫痫信号比较平稳,且波动范围不大。其信号对比如图1所示。

图1癫痫信号与非癫痫信号

癫痫自动检测,其本质在于对癫痫和非癫痫EEG 信号进行区分,主要是根据癫痫脑电信号与非癫痫脑电信号的不同特征进行区分。本文检测流程如图2所示。2实验数据2.1数据来源

文中的训练集数据来源于波士顿儿童医院的开源数据库CHB -MIT Scalpe EEG Database ,该数

据集由23名难治性癫痫患者组成,总检测时长达到1009小时,癫痫发

作平均时长达到75s ,发作总次数达到182次[12]。2.2数据预处理

由于该数据集的采集是采用23对导联,实际研究中并不是将各条导联对加以运用,本文采用C3-P3导联对作为检测信号[13]。且利用国际通用的10~20系统的EEG 电极维护和命名方式,此数据集记录的数据是两个电极的电位差,采样频率为256Hz ,16位分辨率。由于该脑电信号在数据采集过程中已经去除了工频干扰,因此这里可以不做任何处理。2.3特征提取

充分利用本数据集的23例病人,且发现患者中癫痫发作时间最少的是6s ,因此,需将样本采样时间控制为6s 。由于原数据集为波形数据,本文需要借用EEGLab 工具包将波形数据转化为文本数据,由于采用频率为256Hz ,截取6s ,一段有1536个数据,这里需要去掉15个点,并将余下的1536个数据点利用reshape 函数转化为39x39的二维矩阵,故这里只需利用文本数据作为特征输入即可。具体操作步骤为:首先,对每个患者截取C3-P3导联的6s 癫痫发作时间段和6s 非癫痫时间段,本文截取发作时间段为600段,正常时间段为600段;其次,将前17

单导联癫痫脑电检测算法探究∗

龚旭辉

冯

广

周瀚章

徐启东

曾

虎(广东工业大学自动化学院,广东广州510006)

Study of Single Channel Epilepsy Detection Algorithm

摘要:癫痫检测一直是医学界的难题,对于检测算法而言,分类精度和敏感度是衡量检测系统的重要指标。癫痫检测实际上可归分为二分类问题,对开源数据集CHB-MIT Scalpe EEG Database 的23例患者单导联C3-P3,利用BP 、CNN 和SVM 网络进行癫痫检测探究。检测结果表明,BP 网络、CNN 网络、SVM 分类器的分类进度分别为67.01%、83.33%、93.40%,在未来癫痫检测分类应用方面具有较大的潜在意义。

关键词:癫痫检测,单导联,SVM ,CNN

Abstract 押Epilepsy detection has always been a difficult problem in the medical community.For the detection algorithm熏accuracy and error rate are important indexes to measure the detection system.Epilepsy detection can be classified into two classification problem actually熏in this paper熏the open source data collection of CHB-MIT Scalpe EEG Database of 23cases with single lead C3-P3熏using BP熏CNN and the SVM network for automatic detection.The test results show that the BP net⁃work熏the network熏the accuracy of the SVM classifier are 63.8%熏80.2%and 93.78%respectively.It has great potential signifi⁃cance in the future application of classification of epilepsy detection.

Keywords 押epilepsy detection熏single channel熏SVM熏CNN

∗国家自然科学基金资助项目(60673132

)

图2癫痫自动检测流程图79