基于MNELAB和EMD的癫痫EEG噪声和伪迹去除方法研究

卢小杰，胡增勇，钱国强，白羽，潘媛媛，何梦奇，石奕佳

(皖南医学院 a.医学信息学院，b.健康大数据挖掘与应用研究中心，安徽 芜湖 241002)

1 概述

癫痫表现为抽搐、痉挛、昏厥等临床症状，给患者的身心带来巨大的伤害.脑电图(Electroencephalogram, EEG)在临床上时常被用于癫痫疾病的诊断，癫痫发作是大脑神经元的异常放电引发的，在脑电图上可较为直观的显示出来[1].在临床应用上，可分为颅内脑电和头皮脑电，颅内脑电是在开颅手术后在大脑皮层上放置电极片，一般用于术前定灶.与颅内脑电比较，头皮脑电是在头皮上无创放置电极片，操作简单，因此头皮脑电被广泛地使用在临床上，但是由于头皮脑电和颅骨是天然的不良导体，大脑皮层释放的电信号会受到严重的干扰，如出汗、血流、头动、心电、工频、肌电、基线漂移等影响脑电信号检测的噪声.EEG是一种非线性非平稳信号，成分复杂且含有大量的噪声，消除EEG伪迹和噪声的影响是临床诊断和EEG科学研究工作的前提.

现有的EEG伪迹去除方法是直接将含有噪声信号的EEG信号去除，但在伪迹去除过程中容易去除信号中的特征成分.目前去除EEG中伪迹和噪声的软件也应用很广泛，如基于Matlab的EEGLAB和基于python的MNELAB等.另外，很多信号处理方法如基于经验模态分解(empirical model decomposition,EMD)来提取本征模函数(Intrinsic Mode Function, IMF)，再进行重构信号的方法，有基于独立成分分析(independent component analysis,ICA)的Infomax和Fast-ICA的方法，还有小波变换等方法也应用于EEG信号的伪迹和噪声的去除中[2-3].小波变换[4]能最大限度保留信号中的突变特征成份，具有良好的时频特性.但此方法是以信号不变特性或统计特性平稳为前提，更适用于分析线性平稳信号.独立成分分析法利用原始信号的独立性和非高斯性通过算法分解成若干独立成分.ICA能够提取EEG信号的主成份，滤掉伪迹成份，但该方法局限于时域上，无法体现出频域上的信号处理方式，给脑电信号伪迹去除带来一定的局限性.Huang等[5-6]描述的EMD是在时域和频域上进行自适应分解，能够较好的处理非线性非平稳信号，它包含了小波变换多分辨率的优点并且克服了小波基选择的困难，现在已经被广泛的应用于EEG信号处理.

针对头皮脑电伪迹和噪声的问题，本文在总结前人研究的基础上，利用MNELAB软件中的Fast-ICA方法与EMD方法进行对比研究，发现两者都获得了较好的噪声和伪迹去除效果，但前者无法批量处理，且自由度差，需要多重操作步骤来完成.本文设计一种方法进行多通道脑电信号的批量噪声和伪迹去除处理，简化实验流程，为EEG的研究和临床诊断提供重要手段.

2 研究方法

2.1 伪迹和噪声

伪迹和噪声的来源由受试者本身的干扰和设备的干扰组成，且头皮EEG信号非常微弱，极易受到干扰.在EEG信号中，常见的伪迹有：眼电(EOG)伪迹、肌电(EMG)伪迹、心电(ECG)伪迹、出汗伪迹、血管波伪迹、运动伪迹、50 Hz工频干扰、基线漂移以及一些高频信号干扰等[7-8].眼电伪迹是由眼动造成，其振幅较大，一般体现在前额区域测得的脑电信号上；肌电伪迹是由于在人体在活动或肌肉收到刺激时，在电信号表现上产生某种不规则快速变化的波形，它的频率在5～2000 Hz，属于高频干扰；工频干扰是指50 Hz/60 Hz交流电对脑电信号采集仪器的干扰，或者是地线接触不良造成的干扰；基线漂移是在肢体运动、呼吸或采集过程中产生的在心电图上表现为基线偏离正常位置的一种心电干扰，频率小于5 Hz.心脏跳动、眨眼、出汗、血管波、头动都是造成伪迹的原因，所以头皮脑电极易受到干扰，这些噪声和伪迹严重影响了疾病的临床诊断和脑电信号的研究，因此伪迹和噪声的去除是非常关键的步骤和前提.

2.2 基于EMD的脑电信号伪迹去除方法

EMD是将EEG信号分解为若干个IMF[9-10]，IMF的个数根据信号长度、复杂程度等固有特征进行自适应的调整，无需事先预定，这一点优于小波变换时需要选择小波基的特点，每个IMF包含了原有信号的时域和频域信息.分解的基本思想是自适应地进行信号主要成分分析，将一个频率不均匀的信号化为多个单一频率的信号和残差信号.其分解过程为：

(1)寻找原有信号X(t)所有的极大值点，用三次样条插值函数拟合构成上包络线，记为m+；同理，寻找原有信号X(t)所有的极小值点构成下包络线，记为m_.

(4)计算减去c1(t)的残余函数，记为r1(t)，r1(t)=X(t)-c1(t).

3 实验分析

3.1 脑电数据选取

本文的原有信号来自波士顿儿童医院和麻省理工学院CHB-MIT联合采集的头皮脑电图公开数据库(https：//archive.physionet.org/physiobank/database/chbmit/)[11]，多通道长程脑电图采样频率256 Hz，记录22例(男性5例，3～22岁;女性17例，1.5～19岁).每个案例包含9到42个连续的edf文件.大多数edf文件只包含一个小时的脑电图信号和23个脑电图信号通道(某些情况下24或26个).这些数据采用国际10-20电极位置命名系统进行记录，如图1所示.

图1 电极放置和从发作间期到癫痫发作期的EEG信号

图1左侧显示双相的分布蒙太奇脑电图模式利用了两个记录电极(灰色电极部分)作为输入终端的微分放大器,即FP1-F7, F7-T7, T7-P7, P7-O1, FP1-F3, F3-C3, C3-P3, P3-O1, FP2-F4, F4-C4, C4-P4, P4-O2, FP2-F8, F8-T8, T8-P8, P8-O2,FZ-CZ, CZ-PZ, P7-T7, T7-FT9, FT9-FT10, FT10-T8, T8-P8.图1右侧为从1小时的长程脑电信号中选取的299 9 s～300 4 s的信号段.由波形可以看出，EEG信号从发作间期到癫痫发作期的波形存在显著差异，其振幅和频率变化很大.

3.2 基于MNELAB的脑电伪迹去除

本文主要使用基于MNE-python库的MNELAB伪迹去除方法.MNE-python是一款开源的用于脑电图和脑磁图分析处理的软件.由哈佛大学牵头开发，其主要功能包括：脑电和脑磁信号的预处理和伪迹去除、源定位、时频分析、功能性连接、机器学习和信号源的可视化等.在很长的时间内一直没有GUI界面，所以使用起来较为麻烦，之后开发出的MNELAB是MNE-python的GUI界面，让其使用起来更方便.本文利用MNELAB对数据进行预处理.MNELAB 自0.4.0版本后，界面简洁明了，可以读取各EEG数据且读取速度快.MNELAB含有 Fast-ICA对EEG信号进行处理的控件.

利用MNELAB的import功能导入数据，首先利用带通滤波器对原有信号滤除工频干扰噪声和脑电采集仪的固有噪声，将0.5～50 Hz之间的信号提取出来.在进行Fast-ICA预处理之前，先对数据滤波滤去与研究无关的波段，利用tools工具中的Filter data即可，研究选择0.5～50.0 Hz进行滤波.后期分离波段alpha(8～12 Hz)、beta(12～40 Hz)、theta(4～8 Hz)、delta(0.5～4 Hz)和gamma(>40 HZ)方法同上.滤波完成后就可以进行Fast-ICA处理，在tools工具中选择Run ICA，MNELAB中的Fast-ICA运行速度较其他ICA速度更快，Run ICA完成后，选择apply ICA即完成了对数据的预处理.

图2(a)为伪迹和噪声去除前的信号，信号中含有大量的噪声和伪迹，如P8-O2的肌电伪迹，部分通道上出现的眼电伪迹等.图2(b)为经过MNELAB预处理过的数据波形相比与处理前的明显平缓许多，且滤去了大于50 Hz的信号.图2(c)和图2(d)为其相对应的多通道功率谱曲线，图2(c)为去除伪迹和噪声前的功率谱，图中显示较多的高频信号(尖峰)和50 Hz的工频干扰，图2(d)为处理后的功率谱，高频信号消除很多，同时滤除了>50 Hz的信号.利用MNELAB对癫痫脑电信号进行数据预处理方便易行，首先MNELAB功能界面简洁明了，其次MNELAB中的Fast-ICA的执行与收敛速度快，这样有助于我们更加快速的对癫痫间期的波形数据进行分析研究.进行多通道脑电信号的处理能够获得较好的实验结果，且方便快捷，这就是这种软件得到广泛应用的原因.但是这种脑电信号处理方式不能够批量的处理，自主性差且透明度不高，因此本文研究一种能够批量处理且处理效果较好地去除伪迹和噪声的方法.

图2 处理前和处理后的多通道脑电信号的波形和功率谱

3.3 基于EMD的脑电信号伪迹去除

上述方法得到了较好的伪迹和噪声去除的效果，但是无法进行批量处理，软件算法透明度不高，本文更进一步的设计基于EMD的脑电信号伪迹去除，提取出某一段信号，先进行EMD算法分解出不同的IMF分量，如图3所示.

图3 EMD分解的IMF分量及其频谱

由图3左图看出，信号经过EMD可以分解出不同的IMF分量，由高频到低频的顺序，根据不同的频率对各个IMF进行不同的组合，如利用IMF0-IMF3进行重构得到高频段的信号，反之利用IMF4-IMF7进行重构得到低频段的信号.因此，EMD可以提取不同频段的信号，如α(8～13 Hz), β(14～30 Hz),θ(4～7 Hz),δ(0.5～3 Hz)波.图3右图为其相对应的频谱，可看出频率是由高频到低频的顺序.

本文根据处理后的IMF和残余分量进行重构癫痫发作期的信号和癫痫发作间期的信号，得到如图4所示重构后的信号.

图4 癫痫发作期和癫痫发作间期的EEG信号伪迹和噪声的去除前后对比图

图4(a)为去除伪迹和噪声之前的癫痫发作期信号，含有大量的噪声和伪迹，棘波、慢波和棘慢波等癫痫异常波形较难以在这种信号中判别出来，影响临床诊断；图4(b)为去除伪迹和噪声之后的癫痫发作期信号，癫痫异常波形比较清晰的能判别出来；图4(c)为癫痫发作间期患者正常状态的信号，信号中出现了肌电伪迹和其他毛刺噪声，由图4(d)看出伪迹和噪声都得到有效的去除.由图4得出癫痫期和癫痫间期的信号均得到了较好的去除噪声和伪迹的效果.更进一步地，实验加入多循环，进行多通道的信号处理，同时进行批量处理.经实验对比得知程序的时间复杂度上不如MNELAB软件中的Fast-ICA方法，但是优于其中的Infomax方法，但在实现多通道信号的批量处理方面，方法透明度高、自主性强.按照上述实验，本文再选出5个病人的总共20组脑电信号的处理，均得到了较好的伪迹去除效果.

4 结论

本文运用MNELAB和EMD对比研究实现脑电信号的伪迹去除处理，并对CHB-MIT脑电数据库中的数据进行仿真实验.结果表明：MNELAB和EMD 方法都能更有效地去除信号中的噪声部分，从而使脑电信号的特征更明显，同时拓展了MNELAB，解决了现有软件透明度不高、自主性不强等不足，说明了该方法具有广阔的应用前景和临床应用价值.