文献标识码： A
DOI：10.16157/j.issn.0258-7998.190021
中文引用格式： 刘光达，王依萌，胡秋月，等. 基于小波变换和模极大值法的癫痫发作检测与分析[J].电子技术应用，2019，45(4)：74-77，82.
英文引用格式： Liu Guangda，Wang Yimeng，Hu Qiuyue，et al. Detection and analysis of epileptic seizure based on wavelet transform and modulus maximum approach[J]. Application of Electronic Technique，2019，45(4)：74-77，82.
0 引言
癫痫（epilepsy）即俗称的“羊角风”或“羊癫风”，是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。癫痫发作类型可分为：全面性发作、部分性发作、继发全面性发作。由于癫痫发病的突然性，患者容易出现摔伤、烫伤、溺水、交通事故等。癫痫患者会出现记忆障碍、智力下降、性格改变等严重的认知障碍。除此以外，癫痫的危害还体现在精神上的危害，癫痫患者经常被社会歧视，患者精神压抑，身心健康受到极大的影响。鉴于癫痫病症病发的普遍性和危害性，对癫痫的致病机理、临床检测和病灶定位成为研究的重点和难点。
癫痫疾病的诊断主要通过临床病史和脑电图检查，棘波作为癫痫特征波，其检测对判断是否患有癫痫具有决定意义。近年来，随着信号分析处理和计算机辅助智能诊断技术的迅速发展，研究主要有两个方向：(1)用信号分析的方法直接对脑电进行分析，找到脑电信号某些参数的差异来进行预测，例如，TIBDEWAL M N[1]等人基于方差和多重熵对癫痫/非癫痫脑电信号进行统计分析；朱东升[2]和徐亚宁[3]通过对患者发病信息进行基于傅里叶变换的功率谱分析，与正常脑电信号进行对比得到癫痫发作的脑电特征，但由于脑电信号属于多组分非平稳伪随机信号，傅里叶变换与其适应性不好，其预测准确率不高；王鹏翔[4]等人采用基于小波变换的癫痫脑电特征波识别算法，实现对信号的分析。(2)用信号分析的方法与机器学习分类算法相结合来对癫痫信号进行处理，例如，BEHNAM M[5]等设计了一种基于癫痫模极大值模式的癫痫发作特异性小波，其对捕获的脑电信号进行建模，通过AdaBoost分类器实现癫痫发作的检测与分类；PATIDAR S[6]等采用基于TQWT的Kraskov熵的分析方法对癫痫脑电信号进行单特征检测；赵建林[7]等和韩敏[8]通过小波分析与支持向量机SVM分类器对正常脑电与癫痫脑电进行分类；李牧潇[9]提取所需脑电信号的样本熵作为特征向量，再运用极限学习机算法进行分类识别，但SVM和极限学习机分类算法对于非线性分类没有一个通用的解决方案，故其准确率也不是很高。
基于以上问题，本文提出了基于小波变换和模极大值算法的癫痫检测方法。
1 癫痫特征波提取
1.1 脑电信号的癫痫特征波
人体脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，临床中将脑电信号根据不同的频率主要分为4个频带，分别为慢波、α波、快波及中快波。棘波和尖波是根据其波形相比信号的其他部分显著尖锐的特征分类的，其有别于形成其他的背景活动的波和节律。
典型的癫痫特征波即由棘波、尖波和慢波组成，常见的有棘波、尖波、棘-慢复合波和尖慢复合波等，如图1所示。
其中，棘波是一种阵发性的异常脑电图的基本形式，一般时限为20～70 ms，其波形较为陡峭，一般处于负相波形，部分处于正相波形，有时还会处于双相或者三相波形。棘慢复合波是接着棘波出现的时长为200～500 ms的慢波。而尖波与棘波类似,但时长比棘波更长，两者都是负相和双相性，一般也有三相性，尤其是高波幅的正相波较多。尖慢复合波为慢波接着尖波出现形成的复合波，尖波时长多为80～120 ms，接着尖波的慢波时长大约为500～1 000 ms[10]。
癫痫脑电信号含有显著的棘波特征波，故对棘波进行识别，从而实现癫痫脑电信号的特征提取的方法具有可行性和可靠性。本研究通过小波变换和模极大值检测对棘波进行识别。
1.2 特征提取
小波分析是一种非常有效的信号时频分析方法[11]，它将时域的一维信号变换至时间/尺度的二维空间，对于处理时变信号具有独特的优越性。
连续小波变换过程（CWT）[12]可以由下式表示：
当变换尺度a较小时[3]，中心频率较高，带宽较宽；反之，a较大时，中心频率较低，带宽较窄。而棘波是脑电波中相对高频的成分，其信息更有可能出现在小尺度层次上。
模极大值算法是一种基于小波分析的算法，在小波分析的基础上对信号进行奇异点判断与分析。本文采用细化算法计算模极大值列[11]。细化算法函数的表达式为：
结合小波变换与模极大值法，选取小尺度的小波模极大值系数WTMMa，b作为特征波。通过分析各个尺度小波模极大值系数WTMMa，b的变化情况，可以筛选出特征波中的棘波嫌疑点，将棘波与低频分量分离。
2 实验分析
为验证算法的有效性，本实验使用的癫痫脑电数据来源于美国权威的CHB-MIT Scalp EEG Database[13-14]。该数据库记录癫痫患者发作期的脑电图，记录共23个文件，来自22名受试者（5名男性，年龄在3～22岁; 17名女性，年龄在1.5～19岁）。所有信号都以256 Hz采样率、16位分辨率进行采样。此外，该数据记录已进行了初步处理，去除环境干扰及眼迹干扰等噪声，并且已经标明了发作期的时间节点，可直接应用于癫痫数据分析。
根据统计数据显示，癫痫致病灶位置最常见于电极网络的额极和前颞、中颞、后颞区域，对应的电极为Fp1、Fp2、F7、F8、T3、T4、T5、T6（采用国际10-20系统的EEG电极位置）共8个电极，故在实验中采用这8个电极中的数据进行特征波提取。下述实验以Fp1通道为例。
首先将数据库中的原始脑电信号分割成数据长度为1 024个数据点的区段,对其进行小波分析，分解级数为10级，抽样率为256，迭代次数为6。以db4小波为基小波，其母小波函数图如图2所示。其中横坐标为消失矩阶数，无单位；纵坐标为小波函数值，无单位。
以病例Chb01/、001号记录中Fp1通道的0.5s~4.5 s处共1 024个样点为例进行实验。小波分析后，以通道Fp1为例，部分层次的结果如图3所示，横坐标n为数据点点数。
再对小波变换结果矩阵中每个小波细节d1~d10层次按2中步骤进行模极大值计算，由式(5)检验奇异点，得到模极大值列在部分层次上的结果如图4所示。
进一步对奇异点模极大值列频带间的变化趋势进行统计分析，以筛选出怀疑棘波值点。识别算法如下：
(1)设定一阈值ε>0，对于1≤a≤5、任意点数1≤x≤1 024，若有|WTMM(a，x)|<ε，则WTMM(a，x)=0；
(2)1≤a≤6，令WTMM(a，1)=WTMM(a，1024)=0，降低由于区段边缘包含不完整特征波而造成的误判的错误率；
(3)由于棘波的时长多为20~80 ms之间，棘波怀疑点的大量信息更有可能出现在d1、d2、d3 3个层次上，故取特征波为：
由此得到拟合曲面，图5为棘波嫌疑点的拟合曲面，图6为非棘波嫌疑点的拟合曲面。
最后通过上述部分对特征值波列的筛选，得到检测出的棘波值列，提取出的棘波值列与原始脑电信号的对比如图7所示。图7(a)为经该检测算法提取到的棘波值列，图7(b)为原始脑电信号。
对19例癫痫患者脑电棘波进行检测，根据患者被测时的状态分为发作期和发作间期两个数据集，得到了高的棘波识别率，结果如表1所示。
由以上结果可以看出，小波变换-模极大值检测法可以有效地对棘波个数进行检测。对不同的脑电信号，由于个体差异、干扰等因素，准确率不同。与专家检测的棘波个数相对比，其准确率在19例样本中最低也可达92.5%。发作期和发作间期两个数据集检测到的棘波个数的分布如图8所示。采用统计学原理对棘波个数数据进行单方差分析[15]，结果如图9所示。
通过观察棘波个数分布图和单方差分析图，可得出以下结论：对于固定长度的原始信号，本系统检测到的癫痫发作期及发作间期的脑电信号棘波个数有明显的差别，发作期的棘波个数比例明显高于发作间期，这印证了本检测方法可以作为判断癫痫是否发作的依据。
3 结论
本研究将小波变换和模极大值算法结合适应了脑电信号非平稳、多组分的特征，研究了多种特征参数对脑电癫痫信号的影响，并运用了细化函数这一简单、高效、高精度的算法。通过分析和实验验证采用小波分析结合模极大值算法对脑电信号进行分析时，诊断准确率在92.5%以上，效果理想。
本研究可以在临床上帮助医生更好地对癫痫患者进行诊断。下一步工作是对癫痫病灶进行定位，并尽可能实现对癫痫病发作的预测。
参考文献
[1] TIBDEWAL M N，DEY H R，MAHADEVAPPA M，et al.Multiple entropies performance measure for detection and localization of multi-channel epileptic EEG[J].Biomedical Signal Processing and Control，2017，38：158-167.
[2] 朱东升.癫痫信号分析及病灶定位[D].秦皇岛：燕山大学，2016.
[3] 徐亚宁.基于小波变换的EEG信号癫痫棘波检测[J].桂林电子科技大学学报，2008，28(3)：97-98.
[4] 王鹏翔，张兆基.小波变换下的脑电信号癫痫特征波识别算法研究[J].信息与电脑(理论版)，2017(17)：63-65.
[5] BEHNAM M，POURGHASSEM H.Seizure-specific wavelet(Seizlet) design for epileptic seizure detection using CorrEntropy ellipse features based on seizure modulus maximas patterns[J].Journal of Neuroscience Methods，2017，267：84-107.
[6] PATIDAR S，PANIGRAHI T.Detection of epileptic seizure using Kraskov entropy applied on tunable-Q wavelet transform of EEG signals[J].Biomedical Signal Processing and Control，2017，34：74-80.
[7] 赵建林，周卫东，刘凯，等.基于SVM和小波分析的脑电信号分类方法[J].计算机应用与软件，2011，28(5)：114-116.
[8] 韩敏，孙卓然.基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类[J].计算机应用，2015，35(9)：2701-2705，2709.
[9] 李牧潇.癫痫脑电信号自动检测的研究[D].郑州：郑州大学，2014.
[10] 汪春梅.癫痫脑电信号特征提取与自动检测方法研究[D].上海：华东理工大学，2011.
[11] 文婉滢，李智.基于小波区域阈值去噪的MWC优化还原算法[J].电子技术应用，2018，44(11)：64-67，71.
[12] PUCKOVS A，MATVEJEVS A.Wavelet transform modulus maxima approach for world stock index multifractal analysis[J].Information Technology and Management Science，2012，15(1)：76-86.
[13] GOLDBERGER A L，AMARAL L A N，GLASS L，et al.PhysioBank，PhysioToolkit，and PhysioNet：components of a new research resource for complex physiologic signals[J].Circulation，2018，101(23)：e215-e220.
[14] SHOEB A H.Application of machine learning to epileptic seizure onset detection and treatment[D].PhD Thesis, Massachusetts Institute of Technology，September，2009.
[15] 刘雪峰，马州生，赵艳阳，等.基于MSE-PCA的脑电睡眠分期方法研究[J].电子技术应用，2017，43(9)：22-24，29.
作者信息:
刘光达，王依萌，胡秋月，马孟泽，蔡 靖
(吉林大学 仪器科学与电气工程学院，吉林 长春130061)