drwuHUST的个人博客分享 http://blog.sciencenet.cn/u/drwuHUST

博文

基于头皮脑电图(EEG)的癫痫发作检测

已有 1554 次阅读 2020-3-26 15:46 |个人分类:智慧医疗|系统分类:科研笔记

癫痫是影响所有年龄人群的一种脑部慢性非传染性疾病,也是全球范围内最常见的神经系统疾病之一。根据世界卫生组织(WHO)数据[1],全世界有大约5000万癫痫患者。中国抗癫痫协会统计数据显示,目前我国约有900万癫痫患者,年新发病例约40万。

值得注意的是,癫痫是儿童期常见的神经系统疾病。我国0-14岁儿童癫痫发病率为151/10万,患病率3.45‰,其中5岁以内起病占50%左右[2]。患儿处于脑部发育关键时期,及早诊断和治疗对于改善患儿预后至关重要。

头皮脑电图(EEG)是最常用、最经济的非侵入式脑电波检测手段。将电极放置在头皮特定位置上,采集大脑内同步神经元活动所产生的微伏级信号[3]。

EEG是癫痫检测的金标准[4]。自1924年问世以来,就应用于癫痫的临床诊治。尽管近几年影像学(CT、MRI、fMRI、SPECT、PET等)有了很大进展,目前仍无法取代EEG的地位。PET和fMRI由于其技术要求和费用而不能作为普遍的技术手段。MRI除了费用高,同CT一样不能判断非结构性病变。侵入式皮层脑电图(ECoG)需要开颅植入电极,风险较大。非侵入式的EEG和脑磁图(MEG)能提供功能性和结构性检测。二者相比,EEG因为价格低、易操作而在越来越多的理论研究和临床实践中得到了广泛关注。

癫痫的脑电图异常可分为发作间期和发作期。发作间期主要可见棘波、尖波、棘慢波、尖慢波散发或出现各种节律等,如图1所示。棘波是大脑皮层神经细胞异常放电在EEG信号中引起的波形变化,表现为由皮质表面定向引起的表面负偏斜、上升支和下降支陡峭、整体形状如同荆棘的尖刺,是EEG信号中痫样放电的典型特征之一。棘波周期通常为20-70ms,突出于背景信号,幅度大于20μV,为背景信号1.5倍以上[5]。

发作期可看到一个从开始到结束的具有演变过程的异常发作性脑电图事件。因此,EEG中发现棘波、棘慢波、棘慢复合波等癫痫样放电,对癫痫诊断及发作分型和转归有重要价值。临床上,通常选择提取癫痫发作间期的痫样棘波和尖波,并通过定量分析获取癫痫相关的病理信息。此外,基于EEG的源定位方法在癫痫患者术前评估及预后中起到重要作用。棘波和尖波(以下统称为棘波)检测是源定位的第一步。

EEG.png

1. 癫痫的典型脑电波。

目前临床上,视觉检测和手动注释是棘波检测的金标准,然而大量繁琐而冗余的工作给专业人员带来沉重的负担,且其检测的准确性过度依赖于检查者的主观判断。因此,基于EEG的棘波自动检测意义重大

1972年,Stevens等[6]首次尝试从长时程EEG信号中提取痫样棘波。此后,根据痫样棘波的特性,人们提出了基于形态学[7,8]、信号相关性[9,10]、子带分解[11]、特征工程[12,13]等的棘波检测算法。

目前研究比较多的是使用机器学习进行棘波自动检测[14,15]。传统机器学习流程通常分为以下三步:1)EEG信号预处理,提高信噪比,为棘波自动检测提供高质量输入信号;2)根据棘波特点,人工设计特征,降低信号维度的同时,突出棘波与背景信号的差异;3)根据得到的特征,进行EEG信号中棘波与背景信号的二分类,检出棘波信号。如Oikonomou等[16]提出一种基于卡尔曼滤波的方法,在预处理阶段增强EEG信号的信噪比,从而提高棘波检出率。Furbass等[12]根据重症监护脑电图术语提出了一种计算多通道EEG信号节律和周期模式的方法,实现棘波检出。崔嵩[17]提出一种基于Bag-of-Wave模型的癫痫预测方法,通过整合不同尺度的局部特征建立时空关系模型,提取癫痫EEG的同步模式特征,并进行分类预测。Jiang等[18]提取了小波包解析、短时傅里叶变化、核主成分分析等特征,融合迁移学习、半监督学习和模糊系统,进行了癫痫的离线分类,取得了超过96%的正确率。传统机器学习的主要难点在于如何人工提取出最有效的特征。这需要对癫痫的生理机理和临床表现有深入理解。

近年来,深度学习在图像、视频、语音、文本等领域取得了巨大成功。深度学习融合了传统机器学习中特征提取与分类两个步骤,在训练数据足够的情况下通常会取得更好的学习效果。深度学习在EEG棘波检测中也逐渐得到应用。卷积神经网络(CNN)是第一个应用于EEG癫痫发作预测的深度学习模型[19]。Johansen等[20]利用高通滤波器和陷波器组合实现EEG数据预处理,共同平均算法消除数据伪迹,之后以Relu为激活函数、最小化二项式交叉熵为损失函数构建了5层1维卷积神经网络,使用留一法在五名癫痫患者的EEG数据集中进行交叉验证,取得了94.7%的正确率。Le等[21]将深度置信网络(DBN)由生成模型改为判别模型,并用于EEG信号棘波检测。提取7个用于描述信号周期、振幅、坡度及面积的时域特征,并用小波变换分别从EEG信号的Theta、Alpha、Beta频段中提取280个时频域特征构建特征向量,作为DBN的输入。模型在19例癫痫患者中取得了95.97%的正确率。Tian等[22]提取了EEG信号时域、频域和时频域的特征,进行了多视图深度神经网络癫痫分类,在23例患者上取得了超过95%的正确率。然而,相比于人工设计的特征,深度学习的主要弊端是其模型可解释性差。

目前基于EEG的癫痫发作自动检测面临的主要挑战是[5]:1) 患者间的个体差异导致棘波的表现形式各异,很难通过简单一致的方法自动检测;2) EEG采集过程中不可避免地存在心跳、眼动、肌肉运动等造成的伪差,对棘波自动检测的准确率影响较大;3) 相对于完全放电的棘波,不完全放电的棘波波形特征不够明显,进一步增加了自动检测的难度;4) 传统机器学习和深度学习各有利弊,需要综合不同方法的特点,形成机理模型与数据驱动模型相结合的棘波检测模型。

 

参考文献

[1]      癫痫,” https://www.who.int/zh/news-room/fact-sheets/detail/epilepsy.

[2]      胡亚美, 江载芳, 申昆玲, 诸福棠实用儿科学, 北京: 人民卫生出版社, 2015.

[3]   A. J. Casson, D. C. Yates, S. J. M. Smith, J. S. Duncan, and E. Rodriguez-Villegas, “Wearable Electroencephalography,” IEEE Engineering in Medicine and Biology Magazine, vol. 29, no. 3, pp. 44–56, 2010.

[4]      S. Noachtar and J. Remi, “The role of EEG in epilepsy: a critical review,Epilepsy & Behavior, vol. 15, no. 1, pp. 22–33, 2009.

[5]      韦博轩张冀聪, “EEG MEG 痫样棘波检测算法研究现状,” 中国医疗设备, 34(11): 30–33, 2019.

[6] J. R. Stevens, B. L. Lonsbury, and S. L. Goel, “Seizure occurrence and interspike interval: telemetered electroencephalogram studies,” Archives of neurology, vol. 26, no. 5, pp. 409–419, 1972.

[7]      马东华, 郑旭媛, 王真, “基于形态成分分析的癫痫脑电棘波检测,” 生物医学工程学杂志, 4: 710–713, 2013.

[8]      J. Zhang, J. Zou, M. Wang, L. Chen, C. Wang, and G. Wang, “Automatic detection of interictal epileptiform discharges based on time-series sequence merging method,” Neurocomputing, vol. 110, pp. 35–43, 2013.

[9]      D. Karacor, S. Nazlibilek, M. H. Sazli, and E. S. Akarsu, “Discrete Lissajous figures and applications,” IEEE Trans. on Instrumentation and Measurement, vol. 63, no. 12, pp. 2963–2972, 2014.

[10]   孙玉宝, 吴敏, 韦志辉, 肖亮, 冯灿, 基于稀疏表示的脑电棘波检测算法研究,” 电子学报, 37(9): 1971–1976, 2009.

[11]   A. J. Casson and E. Rodriguez-Villegas, “Toward online data reduction for portable electroencephalography systems in epilepsy,” IEEE Trans. on Biomedical Engineering, vol. 56, no. 12, pp. 2816–2825, 2009.

[12]   F. Fu¨rbass, M. Hartmann, J. Halford, J. Koren, J. Herta, A. Gruber, C. Baumgartner, and T. Kluge, Automatic detection of rhythmic and periodic patterns in critical care EEG based on American Clinical Neurophysiology Society (ACNS) standardized terminology,” Neurophysiologie Clinique/Clinical Neurophysiology, vol. 45, no. 3, pp. 203– 213, 2015.

[13]   A. F. Hussein, N. Arunkumar, C. Gomes, A. K. Alzubaidi, Q. A. Habash, L. Santamaria-Granados, J. F. Mendoza-Moreno, and G. Ramirez-Gonzalez, “Focal and non-focal epilepsy localization: A review,” IEEE Access, vol. 6, pp. 49 306–49 324, 2018.

[14]   U. R. Acharya, S. V. Sree, G. Swapna, R. J. Martis, and J. S. Suri, “Automated EEG analysis of epilepsy: a review,” Knowledge-Based Systems, vol. 45, pp. 147–165, 2013.

[15]   F. E. A. El-Samie, T. N. Alotaiby, M. I. Khalid, S. A. Alshebeili, and S. A. Aldosari, “A review of EEG and MEG epileptic spike detection algorithms,” IEEE Access, vol. 6, pp. 60 673–60 688, 2018.

[16]   V. P. Oikonomou, A. T. Tzallas, and D. I. Fotiadis, “A Kalman filter based methodology for EEG spike enhancement,” Computer Methods and Programs in Biomedicine, vol. 85, no. 2, pp. 101–108, 2007.

[17]   崔嵩, 基于神经网络的癫痫脑电预测和源定位问题研究,” 北京工业大学博士论文, 2019.

[18]   Y. Jiang, D. Wu, Z. Deng, P. Qian, J. Wang, G. Wang, F.-L. Chung, K.-S. Choi, and S. Wang, “Seizure classification from EEG signals using transfer learning, semi-supervised learning and TSK fuzzy system,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, vol. 25, no. 12, pp. 2270–2284, 2017.

[19]   P. Mirowski, D. Madhavan, Y. LeCun, and R. Kuzniecky, “Classification of patterns of EEG synchronization for seizure prediction,” Clinical Neurophysiology, vol. 120, no. 11, pp. 1927–1940, 2009.

[20]   A. R. Johansen, J. Jin, T. Maszczyk, J. Dauwels, S. S. Cash, and M. B. Westover, “Epileptiform spike detection via convolutional neural networks,” in 2016 IEEE Int’l Conf. on Acoustics, Speech and Signal Processing, Shanghai, China, Mar. 2016, pp. 754–758.

[21]   T. X. Le, T. T. Le, V. V. Dinh, Q. L. Tran, L. T. Nguyen, and D. T. Nguyen, “Deep learning for epileptic spike detection,” VNU Journal of Science: Computer Science and Communication Engineering, vol. 33, no. 2, pp. 1–13, 2017.

[22]   X. Tian, Z. Deng, W. Ying, K. Choi, D. Wu, B. Qin, J. Wang, H. Shen, and S. Wang, “Deep multi-view feature learning for EEG-based epileptic seizure detection,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, vol. 27, no. 10, pp. 1962–1972, 2019.




http://blog.sciencenet.cn/blog-3418535-1225402.html

上一篇:区间二型模糊系统
下一篇:集成学习新方法:BoostTree与BoostForest

1 李冰

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2020-9-22 09:49

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部