基于脑电特征纹理与SVM分类的癫痫发作检测研究

孙成法　徐志萍

摘要：癫痫发作诊断依靠人工检测既耗时效率又低并影响检测结果的准确性，自动检测系统可以有效地帮助医生加快检测与诊断。本文采用了一维均匀局部二值模式脑电特征纹理技术与支持向量机分类器对癫痫脑电信号进行自动检测识别。首先应用离散小波变换对原始脑电信号分解，然后在分解后的信号中提取一维均匀局部二值模式纹理特征。在提取的特征集中训练学习支持向量机分类器并进行检测识别。最后采用后处理多级融合技术对检测结果进行处理以提高准确率。该算法在公共脑电数据集上测试，在基于片段的评估上获取最高准确率为99.86%和平均敏感性为96.19%，并在基于事件的评估上获得平均敏感性95.31%，该方法可以对癫痫脑电信号有效分类识别。

关键词：发作检测;支持向量机;纹理特征;局部二值模式

中图分类号：TN710      文献标识码：A

文章编号：1009-3044（2019）14-0166-03

癫痫是由神经元细胞突然过度放电引发的一种慢性、频繁发作的神经系统紊乱疾病，严重时可导致病人失去理智或意识、运动障碍、感觉、情绪或心理功能失调，给病人带来极大的痛苦。脑电图包含大量真实的脑部活动信息如尖峰和尖波，其对发作诊断及术前发作区的确定起着重要指导作用。传统的癫痫发作诊断主要依赖于医生对病人脑电图的人工观察判断，但随着脑电图记录数据量大幅增加，人工检测既耗时效率低又影响结果的准确性。自动检测系统可以有效地帮助医生加快地对癫痫疾病的检测与诊断[1-2]。

自动检测系统是借助于计算机技术对癫痫脑电图信号进行识别分类，从而达到对癫痫发作的检测。近些年来，各种癫痫自动发作检测算法纷纷被提出，这些算法主要由特征提取和分类器选择两部分组成。

特征提取在自动癫痫检测算法中起着至关重要的作用。Gotman等人提出的方法是最早的自动检测方法之一，他采用峰值振幅、持续时间、斜率和锐度等直观特征识别癫痫脑电信号。此后，大量时间域[3]、频率域[4]和时间-频率域[5]的线性特征相继被提出，包括相对幅度、相对能量、变异系数、修正线长等。此外，各种熵，Lyapunov指数[6]，Hurst指数[7]和高阶谱[8]等非线性特征也被应用于癫痫脑电信号检测。同时，深度卷积网络、长短期记忆（LSTM）网络和基于特征学习的L1-惩罚鲁棒回归也被应用于癫痫发作检测与预测。此外，Kaya等人[9]一维局部二值模式直方图中选择相关特征。在Samiee等人[10]的研究中，一维局部二值模式算子被应用在每个平均的Gabor-滤波子带信号提取最大的LBP宽度作为脑电特征，有效地降低了误检率。

自动发作检测方法的性能还依赖于分类器的选择。大量的分类算法已被用于癫痫发作检测识别，包括决策树、人工神经网络[11]、支持向量机（SVM）[12]、极限学习机器及其改进版本[13]、二次判别分析分类器[14]、模糊推理系统、贝叶斯线性判别分析等。

本文采用了一维均匀LBP纹理特征和SVM分类器对癫痫脑电信号识别分类，主要由四部分组成：预处理、特征提取、分类识别和后处理。首先应用离散小波变换对原始脑电信号分析处理，并在处理后的信号中提取一维均匀LBP纹理特征;然后在提取的特征集训练学习SVM分类器并进行检测识别。最后采用后处理技术对检测结果进行多级融合决策最终的识别结果。其流程图如下：

本文分别在离散小波变换后的3个频段信号中分别学习训练3个非线性SVM分类器，然后各层上的测试集分别对各自的SVM分类器进行测试评估。

4后处理

经过分类识别，离散小波变换处理后的原始信号的每一导联每一层信号片段，都获得一个二进制决策结果，或发作或非发作。原始信号有[N]个平行导联，则小波变换后的原始信号片段有[N×3]个决策结果。本文设计一种多级融合决策方法，最终决策每个时间信号片段的结果。对三层小波信号的每一层信号，如果平行导联识别为发作的数量低于[K]，该层被判定为发作，其中[K=N/2]。[Qi]代表第[i]个信号片段，[qij（j=3，4，5）]代表低第[i]信号片段的第[j]层结果，最后根据下面定义的融合准则，得到每个信号片段的最终决策结果。

长脑电信号最终决策：

5实验评估标准

本文采用两种评估方式：基于时间段和基于事件。在基于时间片段的方法上，比較癫痫脑电信号的检测标识同医生给出的类别参数对比获取评估结果。敏感性、特异性和准确率三种统计指标被用于评估系统性能，其定义如下：

l 敏感性（Sensitivity）：正确检测到的发作片段与医生所标记的发作片段数的比率。

l 特异性（Specificity）：正确检测到的非发作片段与医生所标记的非发作期片段数的比率。

l 准确率（Accuracy）：正确检测到的发作片段与正确检测到的非发作片段之和与脑电片段总数的比值。

基于事件的评估有两种统计参数：发作事件的准确检测量和误检率。如果一个被检测为发作事件的检测结果与医生标记的发作参数吻合，那么该发作事件就被判定为正确检测。基于事件的敏感性可被定义自动检测到的发作次数与发作总次数之比。

6实验过程与结果讨论

6.1实验数据

1）长数据集

该长数据集来自德国弗莱堡大学医院癫痫中心，所有数据由16位数字模拟转换器的Neurofile NT数字视频脑电监护仪记录，采样率为256Hz。经验丰富医生依据癫痫发作之前的发作模式从每个病人的100多个导联中挑选一个子集，包括三个颅内电极和三个头部表层电极，并对这些患者的发作起始和终止时刻标记。整个数据集包含21个癫痫患者，共86次发作。

本文中，訓练集包含22次癫痫发作事件和43小时非发作数据，剩余的64次发作和210小时的发作间期数据作为测试集评估系统性能。

2）短数据集

短数据集来自德国波恩大学癫痫学院，包括Z， O， N， F和S五个数集，数据采样频率为173.61Hz。本文选取分别代表健康志愿者和患者发作的Z和S数据集用于检测纹理特征提取的领域点数。

6.2 脑电纹理特征的邻域点数选取评估

采用10次交叉验证法对短数据集中的Z和S集的一维均匀LBP特征分类识别。Z和S数据集上分析给定中心点2，4，6，8，10个邻域点5种情况下提取一维均匀LBP特征，分别获取4、14、32、58、91种模式特征。将提取的特征样本平均分成10份，每一份包含40个发作间期样本和40个发作样本，训练SVM分类器并检测识别。10次交叉验证法算法的评估指标如图2所示。

图2显示Z和S数据集不同领域点数的纹理特征分类性能，4和6邻域点数特征要比8邻域点数特征获取了更高的平均敏感性和准确率，但是8邻域点的敏感性和准确率要更加稳定，如图2（b）和图2（c）所示。

一维均匀LBP特征在癫痫脑电信号检测中非常有效的，尽管相比于其他邻域点数8邻域点数和10邻域点数特征集取得了更好的效果，但随着邻域点数的增加，其特征向量也随之增加，导致运算负担加重不利于分类。因此，本文系统中，长脑电信号中选取8邻域点数提取一维均匀LBP特征。

6.3 基于片段的评估结果

从表1可以看出，本系统获取了平均准确率90.65%，平均特异性96.19%和平均敏感度90.09%。此外，最高准确率为99.86%。从特异性来看，除了#3、#12和#19病人外，其他病人的特异性都是100%。#3病人获取最高敏感性99.47%。

6.4 基于事件的评估结果

表2中用于检测的发作总次数为64次，除了#3、#12和#19病人其中一次发作时间过短而没有被检测到外，其中61次都被成功检测到，则在基于事件的评估中，得到了平均敏感性95.31%，平均误检率为0.56次/小时，在一定程度上对临床诊断具有一定的指导作用。

7结论

第一，应用一维均匀LBP在癫痫脑电信号中提取纹理特征，获得了比较理想的评估结果。

第二，一维均匀LBP纹理特征与SVM分类器结合，一定程度上提高了识别结果，证实本系统算法在癫痫检测中具有一定的临床意义。

参考文献：

[1] M. Kaleem， A. Guergachi and S. Krishnan， Patient-specific seizure detection in long-term EEG using wavelet decomposition[J].Biomed Signal Proces. 46 （2018） 157-165.

[2] A. Pathak， A. Ramesh， A. Mitra and K. Majumdar， Automatic seizure detection by modified line length and Mahalanobis distance function[J].Biomed Signal Proces. 44 （2018） 279-287.

[3] K. FasilO and R. Rajesh， Time-domain exponential energy for epileptic EEG signal classification[J].Neurosci Lett. 694 （2019） 1-8

[4] A. Myrden and T. Chau， Feature clustering for robust frequency-domain classification of EEG activity， J.Neurosci Meth. 262（2016）77-84.

[5] N. AliKhan and S. Ali， A new feature for the classification of non-stationary signals based on the direction of signal energy in the time–frequency domain[J].Comput Biol Med. 100 （2018） 10-16.

[6] A. I. Korda， P. A. Asvestas and G. K. Matsopoulos， Automatic identification of eye movements using the largest lyapunov exponent[J].Biomed Signal Proces. 41 （2018） 10-20.

[7] S. Lahmiri， Generalized Hurst exponent estimates differentiate EEG signals of healthy and epileptic patients， Physica A. 490 （2018） 378-385

[8] U. R. Acharya， V. K. Sudarshan， J. E. W. Koh， R. J. Martis and J. H.Tan， Application of higher-order spectra for the characterization of Coronary artery disease using electrocardiogram signals[J].Biomed Signal Proces，2017，31：31-43.

[9] Y. Kaya， Hidden pattern discovery on epileptic EEG with 1-D local binary patterns and epileptic seizures detection by grey relational analysis[J].Australas Phys Eng Sci Med，2015，38 （3）：435-446.

[10] P. Samiee， P. Kovcs and M. Gabbouj， Epileptic seizure detection in long-term EEG records using sparse rational decomposition and local Gabor binary patterns feature extraction[J].Knowl. Based Syst，2017，118：228-240.

[11] U. R. Acharya， S. L.Oh， Y. Hagiwara， J. Tan and H. Adeli， Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals[J]. Comput Biol Med，2018，100：270-278.

[12] F. Tang， L. Adam and B. Si， Group feature selection with multiclass support vector machine[J].Neurocomputing，，2018，317，42-49.

[13] Y. Zhang， Y. Wang， G. Zhou， J. Jin， B. Wang， X. Wang and A.Cichocki， Multi-kernel extreme learning machine for EEG classification in brain-computer interfaces[J].Expert Syst Appl，2018，96：302-310.

[14] E.C. Chua， K. Patel， M. Fitzsimons and C.J. Bleakley， Improved patient specific seizure detection during pre-surgical evaluation[J].Clin Neurophysiol，2011，122 （4）：672-679.

【通聯编辑：梁书】