基于局部特征尺度分解及分形维数的EEG 监测程序研制

2020-02-06宫晶GONGJing盛沛SHENGPei

价值工程 2020年35期

宫晶GONG Jing；盛沛SHENG Pei

（①海军航空大学，烟台264001；②解放军970 号医院，威海264200）

0 引言

脑电信号是典型的的非平稳、非线性信号[3]。在该信号处理领域，大量学者进行了诸多尝试。以希尔伯特黄变换（Hilbert-Huang Transform，HHT）为代表的脑电信号特征提取研究作为一种十分适合分析该类信号的时频分析法越来越流行。该算法由两部分组成：经验模式分解（Empirical Mode Decomposition，EMD）和希尔伯特变换（Hilbert Transform，HT），EMD 是算法的核心。为进一步解决EMD 的模态混叠、端点效应等问题，2012年，湖南大学的程军圣、杨宇团队提出了局部特征尺度分解方法[4][5]（Local Characteristic-scale Decomposition，LCD），并证实了其性能优于传统的EMD 算法。截至目前，该方法在诸多领域已经取得了较好的成果，但是在EEG 识别领域，尚未有人做出尝试。究其原因，是在对EEG 波形做LCD 分解之后，还缺乏一种有效的工具将其与发作状态联系起来，即病理特征的提取。

为了解决这一问题，本文利用局部特征尺度分解算法及分形维数算法[6]提取EEG 监测特征，输入概率神经网络进行癫痫病预测与诊断，利用基于可视化语言的Labview软件开发出诊断程序。该程序的显著优点是可以极为便捷地对病患脑电信号进行监测并给出发病判断。

1 算法介绍

算法原理是首先通过局部特征尺度分解，将原本一维的待测样本变成多个具有物理意义的分量。与原始信号一样，这些分量中的某一个或者某几个也必然与病理状态存在着强弱不同的联系。对这些分量进行分形维数计算，得到一组特征值后，便可以借助神经网络将这些强弱不同的联系体现出来，达到精准刻画脑部状态的目的。PNN 算法是由D.F.Speeht 于1989年提出的一种前馈网络，属于径向基网络的一个分支。由于其具有的优点[7]非常契合本文的工程应用背景，因此在分类环节选择此算法。其具体流程如图1 所示。

图1 基于LCD-BCM 的EEG 特征提取方法思路

2 软件主要功能模块与窗体

该软件功能模块主要为参数管理、数据管理、状态分析，前两者面向管理人员、技术人员等高级用户，而后者面向的是操作及使用人员等底层用户。

首先，在图2 参数管理模块中对测点数据进行采集，并根据实际情况判断是否需要对信号进行降噪。

图2 参数管理模块

图3 数据管理模块

随后，在数据管理界面中将对应的状态编码录入到特征数据库中。至此，该测点下的常见特征数据与输入的医嘱已经通过病患状态编码一一对应起来。底层用户仅需要在图4 的状态分析模块中，选择对应的测点库文件并点击状态识别按钮，即可立即出现医疗建议。

图4 状态分析模块

3 应用实例

这些数据是由意大利锡耶纳大学神经和神经生理学部门在一个名为PANACEE[3]的区域研究项目中收集的，该项目旨在开发用于癫痫发作预测的无创患者特异性监测/控制低成本设备。该数据库包括14 例患者的脑电图记录，采用视频脑电图监测，采样率为512Hz，电极按照国际10-20 系统排列。所有的记录也包含1 或2 个心电图信号。使用LTM 放大器和可重复使用的银/金杯电极获得数据。患者被要求尽可能多地躺在床上，要么睡着要么醒着。

在各类EEG 中截取50 个样本共获得包含正常状态、发作间期、发作期状态在内的3 大类19 小类950 个样本。将每类样本中20 个输入PNN 进行训练，其余30 个用于测试。令正常状态样本编号为1，依次编号诊断结果统计如图5 及表1 所示。