癫痫脑电信号提取及自动检测方法..doc

癫痫脑电信号分析方法 1.癫痫脑电信号特征 脑电活动的频率和节律在正常情况和癫痫发作的情况下有很大的区别，当癫痫疾病发作时，就会出现与正常脑电信号不同的信号波形，癫痫脑电信号的特点是幅值较高的阵发性的瞬态波形,它的频率和波形各式各样,主要可以分为下面四类: 1.1棘波: 多数棘波都是负相,且幅值在 100μV 以上。棘波通常是原发病灶的一个特征，从原发性病灶描记出现的棘波，其背景脑电图经常有慢活动，是比较典型的癫痫波。 1.2尖波: 尖波也是癫痫发作时较为常见的波形，典型的尖波是由较快的上升支和缓慢的下降支组成的，波形为锯齿状。尖波的幅值范围一般处于 100μV 与 200μV之间。 1.3 棘慢复合波: 棘慢复合波是癫痫小发作时的特殊形式的放电，为 2.5～3 次/秒的复合波。它的节律性和规则性比较强，多以负相波形式出现，慢波是其主要成分。棘波在慢波的升支或者降支上出现，幅值大小不一，一般都比较高。棘慢复合波多见于局限性癫痫。 1.4 尖慢复合波: 尖慢复合波常见于颞叶癫痫，是1.5～2.5 次/秒的复合波，它经常同时出现几类不同的形式。弥漫性慢波节律出现在癫痫的顽固性大发作或者失神性小发作中。 2 癫痫脑电特征提取方法 人的大脑是由许多互相连接的神经细胞所构成的一个复杂的非线性系统。脑电信号也呈现出复杂多变的特性，随着脑电信号研究方法的不断进步，EEG信号以及大脑神经元活动体现出的非线性和混沌特性逐渐被人们所发现。据此可知非线性的分析方法更能体现出脑电信号的特点和机制[2]。随着非线性动力学方法的不断发展和完善，使其成为脑电信号分析处理中较为先进和热门的方法之一。 在非线性动力学方法中，复杂性分析是近年来脑电信号序列研究中的一个很受欢迎的领域。复杂性分析很大的一个优点在于分析时间序列数据时所需要的数据量很小。相比于其他非线性方法如李雅普诺夫指数[3]、关联维数[4]等，它仅需要几百个或者几千个数据点来描述整个系统。而李雅普诺夫指数、关联维数等方法在参数估计过程中对数据量的要求比较高，因此在实际应用中实施起来比较困难。近似熵就是一种较为常用的复杂性分析方法，它的优点在于对数据大小的要求较低，仅需比较少量的数据就可以取得相对较稳定的估计值。在信息论中，“熵”体现的是对不确定性的一种度量。熵是与可预测性以及随机性相关的一个概念。一般情况下，熵的值越高，系统越趋向于不规律性和随机性。 近似熵的方法是 Pincus [5]在 1991 年提出的，它被定义为一个时间序列在某一长度的模板具有相似性的前提下，在下一个增量时相似的概率，它可以表征时间序列的复杂程度。与其他非线性方法相比,近似熵对噪声和干扰相对不敏感且可以被应用到较短的时间序列中。然而近似熵在计算时会产生偏差,这些偏差会致使近似熵对细小的复杂性变化不敏感。因而有必要改进近似熵的算法，来消除这种偏差造成的影响。Richman 和 Moorman 等人对近似熵进行了改进,提出了一种新的方法，称为样本熵[6]。样本熵也是度量时间序列复杂度的方法之一，它显示了系统中新信息生成的速率。样本熵的值越大,表明时间序列的自我相似度越低，系统产生新信息的速率越大，信号复杂度越高。反之则表明时间序列的相似度高，信号趋向于较高的规律性。 3脑电信号的传统分析方法 3.1时域分析法 早期的脑电信号波形特征都是靠肉眼的观察与分析来提取的，计算机的出现 使得人们可以直接从时域中提取出有用的波形特征。因此，时域分析法是脑电信 号分析中最早使用的方法。其优点在于时域中包含了脑电的全部信息，并且对时 域中波形的分析非常直观，可以体现脑电信号在时域中较为突出的一些特征，比 如癫痫的发作期识别就可以通过棘波的出现来判断。相关分析、方差分析、直方 图分析、移动平均等分析方法都属于时域分析的范畴。因此，时域分析法可以使 脑电信号在时域上获得较高的分辨率。 3.2频域分析法 在时域内难以分析的信号，可以先将其从时域变换到频域，再在频域进行分析。频域分析法是将随时间变化的幅度分析转换为随频率变化的能量分析。以此来直接观察脑电不同频率下各个波(δ、θ、α、β波 3.5非线性动力学分析法 大脑是一个典型的非线性系统[8]。利用前几节所描述的线性分析方法来处理具有非线性特性的脑电信号，所提取的特征都不够明显。而非线性动力学分析所提供的正是一种对复杂的混纯系统中所包含特征动态变化的描述方法。通过功率谱摘、近似熵、李亚普诺夫指数、复杂度等非线性分析方法可以更加有效地提取脑电信号中的非线性特征。但是,非线性分析中相空间重构参数(嵌入维数与延迟时间T)的设定会直接影响到脑电信号特征提取的效果，并且非线性分析的算法普遍复杂度较高,存在计算耗时较长,效率不高的问题。因此，非线性动力学分析方法并不是完全的适用于脑电弱信号的特