典型失神癫痫的脑电定量分析及分类研究*

江　军，　匡光涛，　李　承，　王晓璐，　孙瑞迪，　刘智胜

武汉市妇女儿童医疗保健中心 1神经电生理室 2神经内科，武汉　430016

临床研究

典型失神癫痫的脑电定量分析及分类研究*

江军1，匡光涛1，李承1，王晓璐1，孙瑞迪1，刘智胜2△

武汉市妇女儿童医疗保健中心1神经电生理室2神经内科，武汉430016

摘要：目的采用定量脑电图的方法对失神发作期脑电和发作间期脑电进行分析，提出一种基于去趋势波动分析(detrended fluctuation analysis，DFA)、能量指数和支持向量机(support vector machine，SVM)的癫痫分类方法。方法对23例典型失神癫痫患儿发作期脑电及发作间期脑电进行定量分析，首先采用DFA方法计算脑电的标度指数α，然后对脑电进行小波分解，对δ(0.5～3.5 Hz)、θ(4～7.5 Hz)、α(8～13 Hz)、β(14～30 Hz)频段的脑电进行重构，计算各频段脑电能量指数，最后使用SVM分类器实现癫痫脑电的自动分类。结果对儿童失神发作期脑电与发作间期脑电的分类准确率达到96.9%，实现了儿童失神发作期脑电的自动识别，其准确率达到临床检验标准。结论该方法具有较强自动识别能力，将来可用于临床失神发作期脑电图的定量分析及自动识别，具有一定的临床应用前景。

关键词：去趋势波动分析；支持向量机；失神发作；定量脑电图；小波分析

癫痫是一种皮层神经网络异常同步性放电所致的慢性神经系统疾病，具有突发性、反复性的特点，根据患者临床发作表现及脑电图特征将其分为不同的综合征[1]。脑电图是临床癫痫诊断和鉴别诊断的一种辅助检查技术，其不仅在癫痫的诊断、分类、癫痫灶的定位和治疗中具有不可替代的作用，而且也可以指导癫痫患者的用药，作为一项抗癫痫药物疗效的客观评判标准。随着目前计算机技术的发展，尤其是动态脑电图和视频脑电图的出现更进一步扩大了脑电图在临床中的应用范围。

目前临床脑电图的判读主要依据临床脑电图医师的经验和目测分析，采用的是定性或半定量的方法，主要测量分析脑波的基本频率、波幅和波形等特点，但这种方法无法提取脑电活动包含的丰富特征和信息[2]。而且，随着电子技术及计算机功能的发展，长程脑电图监测技术得到了极大的发展，可监测时间越来越长，这对临床医师的目测分析时间效率提出了挑战，尤其是随着脑电图多记录导联的应用，临床脑电图医师目测分析方法已无法对数目众多的导联同时进行判读，使脑电图的检查难以满足临床和研究的需要。20世纪80年代，美国学者Duffy首次实现了脑电图的定量分析，所谓定量分析，是指将工程中现代信号处理方法应用于癫痫脑电的分析，通过癫痫样放电的检测(特征波的提取)，挖掘各种隐含信息(功率谱、各种非线性参数等)，从而为癫痫的诊断、治疗、预测、预后评估及阐明其发病机制提供有价值的信息[3]。本研究将采用定量脑电图分析方法对失神发作脑电信号进行分析，提取特征性变量，对失神发作期脑电和发作间期脑电信号进行分类，实现自动识别失神发作的目标。

1资料与方法

1.1失神发作脑电波

失神发作是一种非惊厥性的癫痫发作，临床表现为突然的一种意识障碍，动作出现减慢或停止，双眼茫然凝视，表情呆滞，也可合并伴随其他症状，一般发作持续时间为数秒到数十秒[4-5]。失神发作期脑电图表现为全导对称性同步的高波幅3 Hz左右棘慢复合波暴发(图1)，具有较高的特异性，是诊断失神发作必不可少的条件，其特征是癫痫综合征发作类型判别的一个重要依据。在我们的研究中将采用去趋势波动分析方法对发作期脑电图波形特征进行分析，并结合发作期脑电频率特征，构建支持向量机模型以实现对发作期脑电图的自动识别。

图1　失神发作期脑电波形图Fig.1 The ictal EEG of absence seizures

1.2定量分析方法及分类方法

1.2.1去趋势波动分析去趋势波动分析(detrended fluctuation analysis，DFA)是一种标度分析方法，以幂律方式量化时间序列的时域波动，用标度指数可描述时间序列的标度行为或长程相关性，适宜研究各种非稳态时间序列的长程幂律形式函数的相关性，其优势在于能够系统地去除数据中由外部因素造成的不同阶次趋势，减少由于不完善的测量方法引起的噪声污染[6-7]。DFA的分析过程如下：

①一组m×n的有限长脑电信号EEGm×n，对数据进行去均值，构成和序列dEEGm×n，

④计算每段数据的均方差

⑤计算K个片段数据均方的平均值

在本文中，为方便对每段数据进行等分分段，将K值设定为50，25，20，10，5，4，2，1，

⑥k每增加一个单位，则存在幂律形式的波动：

1.2.2脑电能量指数癫痫发作期脑电图多表现为脑电频率及波幅的突然变化，失神发作期表现为全导性高波幅的3 Hz左右棘慢复合波电活动，与发作间期脑波能量相比，发作期脑电能量明显增大，因此本文定义脑电能量波动指数作为检测失神发作的重要参数。失神发作期异常脑电波频率一般低于30 Hz，为突出此该频率段信号特征的变化以及去除伪差干扰的影响，在计算脑电能量指数之前对脑电信号进行小波分解并对不同频段EEG重构。本文采用Daubechies4(DB4)小波5层分解后，并对小波分解第5(0～3.75 Hz)、4(3.75～7.8 Hz)、3(7.8～15.75 Hz)，2(15.75～31.5 Hz)层进行重构，计算各频段脑电δ波(0.5～3.5 Hz)、θ波(4～7.5 Hz)、α波(8～13 Hz)和β波(14～30 Hz)脑电能量指数[8-9]。将各导联各频段的脑电能量指数waveindexz•m，其定义为：

其中Pwwz为周期图法分析所得到的频率功率谱，然后将各导联的各频段脑电能量指数平均

1.2.3支持向量机支持向量机(Support Vector Machine，SVM)是一种监督式学习的方法，其基本思想：对于线性不可分样本，经非线性变换将其映射到另一个高维空间中，在变换后的空间中寻找其最优的分界面(超平面)，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化[10-11]。

后利用Lagrange优化算法求解最优化问题，通过引入Lagrange函数，可将最优化问题转化为对偶问题，即

其中aj*为支持向量系数，b*为分类阈值，l为支持向量的个数。支持向量机常通过适当的原空间核函数取代高维空间的内积运算，将输入信号变换到高维空间中的线性问题，在该变换空间中求最优分类面，避免了复杂的高维运算。

1.3脑电信号采集及预处理

1.3.1脑电采集本文中所采纳的数据来自于2013年～2015年在武汉妇女儿童医疗保健中心行视频脑电图检查的儿童，均临床诊断为失神发作癫痫。使用日本光电便携式视频脑电图仪9100进行脑电信号采集，采样频率为125 Hz，按照国际脑电图标准10-20系统的导联位置采集脑电数据，脑电记录导联设置为FP1，FP2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5，T6，Cz，Pz，以平均参考(AV，average reference)作为参考电极，平均参考是指将头皮的每个记录电极分别串联一个1～2 MΩ的电阻，然后再并联在一起，使各点电位被显著减弱并平均，接近于零电位[2]。前额作为接地电极，软件滤波设置为0.5～35 Hz。

1.3.2信号预处理在临床脑电数据采集过程中，常由于患者的身体移动及长时间数据采集出现的电极与头皮接触不稳，脑电信号中常含有大量动作伪迹，在定量脑电图分析前需对脑电信号预处理。

脑电信号纳入标准：首先，由2位有经验的临床脑电图医师共同对脑电进行判读，对发作期和发作间期脑电图进行标示，共有23位患者被诊断为儿童典型失神；其次，手动去除动作伪迹过大的脑电数据，将脑电数据转化为ASCII值，并采用平滑技术去除基线漂移干扰；最后，对脑电数据进行截取，按发作期和发作间期分类，单位数据截取长度选定为5 s，最终分别得到516段发作间期和367段发作期脑电数据。

1.3.3脑电分类本算法采用DFA方法计算脑电信号的标度指数α和特定频段脑电信号的能量指数作为检测特征，并将同一段脑电数据的标度指数α和能量指数进行线性连接形成一个分类向量，将其输入到SVM分类器中，实现癫痫脑电波的自动分类，见图2。其中训练数据由随机形成的200个发作期和200个发作间期数据组成，其余作为测试数据，分类模型训练过程中采用网格寻优法去调整分类参数以获得最优检测能力。

图2　脑电特征分析及分类流程图Fig.2 Analysis of EEG characteristics and the flow chart of classification

2结果

图3表示发作期和发作间期各导脑电标度指数(α)的均值，从图中可看出除额极(Fp1，Fp2)，前颞区(F7，F8)导联外，发作期脑电标度指数α均值大于发作间期脑电，且t检验结果显示，除导联F7外，各导标度指数α均具有统计学差异(P<0.05)。

图4图形化显示发作期和发作间期脑电各频段能量指数，可看出发作期delta(δ)频段平均脑电能量指数较发作间期明显增大，发作期theta(θ)、alpha(α)平均脑电能量指数明显低于发作间期，发作期beta(β)频段平均脑电能量指数较发作间期增大。

首先在分类实验中，先单独采用脑电的标度指数α作为特征进行癫痫脑电分类，一个分类向量由18个数据点组成。并通过测试数据检验分类模型的分类性能，测试结果表明总体分类正确率约为91.1%，其中167段发作期脑电数据有30段没有被检测出来，另外316段发作间期脑电数据有13段被误判为癫痫。然后，将同一段脑电数据的标度指数α和脑电能量指数进行线性连接，最后形成长度为22个数据点的分类向量。将训练数据输入到SVM分类器进行分类训练。测试结果表明，总体分类正确率约为96.9%，其中167段发作期脑电数据有9段没有被检测出来，另外316段发作间期脑电数据有6段被误判为癫痫，具体见表1。

与发作期比较，*P<0.05图3　发作期和发作间期脑电标度指数α值柱形图Fig.3 Column chart of scaling exponent (α) of the ictal and interictal EEG

图4　发作期和发作间期脑电各频段脑电能量指数(归一化)柱形图Fig.4 Column chart of energy index (normalization) of the ictal and interictal EEG

分类方法发作期脑电发作间期脑电总识别率DFA+SVM30/16713/31691.1%DFA+waveindex+SVM9/1676/31696.9%

3讨论

癫痫发作是由于皮层神经网络的异常同步性放

电所致，发作期脑电图常表现为波幅、频率及波形分布的改变。本文中采用DFA方法计算脑电的标度指数α，其结果显示失神发作期及发作间期脑电的标度指数α具有明显差异，表明基于DFA的方法能够反映失神癫痫的发作特征。通过对脑电进行小波分解，对不同频段的脑电信号进行重构，并计算各频段脑电能量指数，其结果表明：失神发作期脑电delta(δ)，beta(β)频段脑电能量指数较发作间期增大，而theta(θ)，alpha(α)频段脑电能量指数降低。最终，通过线性连接的方式将标度指数α和各频段脑电能量指数构造成分类向量，实现了发作期和发作间期脑电的自动分类，达到了临床应用标准，具有一定的临床应用价值及前景。值得注意的是，临床应用中所采集的脑电信号由于患儿配合性差，常伴有不同程度的伪差及干扰，伪差的识别及去除也是该方法临床实际应用中需要考虑的一个重要方面，这也将是接下来研究工作的重点。

参考文献

[1]解学孔.癫痫病学[M].北京：人民卫生出版社，1995：2.

[2]刘晓燕.临床脑电图学[M].北京：人民卫生出版社，2006：5.

[3]Thornton K E.Electrophysiological(QEEG)correlates of effective reading：towards a generator/activation theory of the mind[J].J Neurotherapy，2002，6(3)：37-66.

[4]Porter R J.The absence epilepsies[J].Epilepsia，1993，34(Suppl.3)：S42-S48.

[5]Shian W J，Chi C S.Childhood absence epilepsy[J].Zhonghua Yi Xue Za Zhi(Taipei).1994，53(5)：298-301.

[6]王春方，张力新，刘爽，等.基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别[J].中国生物医学工程学报，2013，32(5)：520-525.

[7]蔡东梅，周卫东，李淑芳，等.基于去趋势波动分析和支持向量机的癫痫脑电分类[J].生物物理学报，2011，27(2)：175-182.

[8]Adeli H，Zhou Z，Dadmehr N.Analysis of EEG records in an epileptic patient using wavelet transform[J].J Neurosci Methods，2003，123(1)：69-87.

[9]Daubechies I.The wavelet transform，time-frequency localization and signal analysis[J].IEEE Trans Inf Theory，1990，36(5)：961-1005.

[10]罗娜.数据挖掘中的新方法—支持向量机[J].软件导刊，2008，7(10)：30-31.

[11]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40(1)：2-10.

(2015-12-09收稿)

Quantitative Analysis of EEG of Typical Absence Seizures and Its Classification

Jiang Jun，Kuang Guangtao，Li Chengetal

DivisionofElectroneurophysiology，WuhanMedicalandHealthcareCenterforWomenandChildren，Wuhan430016，China

AbstractObjectiveTo quantitatively analyze the features of ictal and interictal electroencephalogram(EEG)of absence seizures，and put forward a classification method for epilepsy based on detrended fluctuation analysis(DFA)，energy index and support vector machine(SVM).MethodsDFA was used to calculate the scaling exponent of the EEG，which was then reconstructed at frequency band δ(0.5-3.5 Hz)，θ(4-7.5 Hz)，α(8-13 Hz)，and β(14-30 Hz)through wavelets decomposition.The energy index was calculated at each frequency band and the epileptic brain waves automatically classified by using SVM classifier.ResultsThe accuracy of classification for ictal and interictal EEG of absence seizures was up to 96.9%，realizing the automatic identification of absence seizures and satisfying the criteria of clinical test.ConclusionThe method can be clinically applied to quantitative analysis of EEG of absence seizures through automatical identification.

Key wordsdetrended fluctuation analysis(DFA)；support vector machine(SVM)；absence seizures；quantitative EEG(QEEG)；wavelet analysis

中图分类号：R742.1

DOI：10.3870/j.issn.1672-0741.2016.03.016

*武汉市卫生局科研基金资助项目(No.WX09C20)；武汉市科技创新平台-儿童神经疾病临床医学研究中心资助项目(武科计2014-160号)；武汉黄鹤英才医疗卫生计划专项经费资助项目 (武人才办2014-10号)

江军，女，1975年生，副主任医师，E-mail：jiangjunzm@163.com

△通讯作者，Corresponding author，E-mail：liuzsc@126.com