文摘
癫痫是一个医学术语,表示为特征的常见的神经障碍发作,因为异常的神经活动。这导致昏迷甚至惊厥。应该评估可能的病因和治疗。因此,有必要不仅专注于找出有效的治疗方法,而且开发算法来支持诊断。目前,有很多算法,特别是非线性算法。然而,这些算法有困难其中之一是噪声对结果的影响。在本文中,除了使用分形维数作为主要工具来诊断癫痫、ICA算法和平均滤波器之间的组合预处理步骤带来一些积极的结果。结合改进的分形算法成为强劲的脑电图信号噪声。结果,我们可以清楚地看到分形属性preictal和发作的癫痫诊断。
1。介绍
分形维数(FD)被认为是一个重要的参数应用于人类的生物。FD在时间域的结果取决于算法和窗口长度。分析了这个问题深受Pradhan达特,当他们讨论了窗口长度和窗口位移对结果的影响(1]。
2001年,Echauz et al。2]Higuchi算法的对比结果3],Katz [4)和彼得罗森算法(5在颅内脑电图(I-EEG)癫痫信号。结果表明,Katz的算法是最稳定的方法从I-EEG癫痫状态的歧视,可能由于其指数变换的FD价值和相对噪声不敏感。Higuchi的方法,然而,收益率更准确估计信号FD,当测试合成数据,但是对噪声更敏感。彼得罗森的方法性能取决于所使用的二进制序列的类型。如果一个二进制序列基于slope-sign发生变化是利用这方法不太适合于模拟信号分析,由于其高灵敏度噪声和动态范围的合成FDs的再现性差。Kannathal et al。6Katz)使用算法和Higuchi算法来计算平均2组的分形维度:一个是健康,另一个是癫痫患者。结果表明,癫痫组低于健康的FDs两种方法。在癫痫检测、Esteller et al。7)表示,在癫痫发生的时候,使用Katz的分形维数算法增加发作的时期,随后降至最低的复杂性程度的记录。此外,在2003年,这一组使用6个参数,包括曲线长度、能源、非线性能量谱熵,6次方,和小波包能量特征在癫痫脑电图分割(8]。同样,保等人使用Higuchi算法,彼得罗森算法,Hjorth参数,功率谱,意味着,标准差,癫痫诊断神经网络(9]。
在这项研究中,我们分析了分形属性作为参数对心电图和脑电图癫痫检测。
2。Methology
在本文中,我们提出两种方法来分析癫痫数据。第一种方法包括两个步骤:所有的渠道进行分析存档独立组件由ICA算法。之后,Higuchi算法用来计算分形维数。第二种方法相同的方法处理第一个方法,除了一个平均滤波器用作第一。本文中使用的方法包括步骤图所示1。
2.1。平均滤波器(AF)
平均滤波器是最简单的低通滤波器类型社区被认为太大时使用模糊和其他副作用可以出现在数据集。这个方法可能是有用的,以避免高频率噪声和白噪声。一个样本的值是计算其邻国的平均值: 在哪里窗口长度,的值是样本。
通过实验,我们假设适用于癫痫预测。
2.2。独立分量分析(ICA)
2.2.1。ICA的定义
我们假设我们观察线性混合n的独立组件:
我们现在时间指数下降;在ICA模型中,我们假设每一个混合物以及每个独立的组件是一个随机变量,而不是一个合适的时间信号(10]。不失一般性,我们可以认为混合变量和独立的组件具有零均值;如果这不是真的,可观察到的变量总是可以集中样本均值减去,这使得模型零均值:
让随机向量的元素是混合物让年代随机向量的分量。让包含元素的矩阵。这个模型现在可以写成如下:
上面的方程叫做独立分量分析ICA。问题是确定的矩阵和独立的组件,只知道测量变量。采取的方法是唯一的假设组件是独立的。它也它也证明了组件必须nongaussian分布。
之前的应用ICA算法(定心之后),我们将观察到向量线性来获得一个新的向量白色(它的组件是不相关的和他们的方差相等的统一)。
美白可以执行通过协方差矩阵的特征值分解: 在哪里特征向量的正交矩阵吗和是对角矩阵的特征值,美白就可以完成了
2.2.2。快速ICA单位(10]
一个单位代表一个处理元素,例如,一个人工神经元的权重。
估计几个独立的组件,权重必须确定。问题是,输出必须尽可能独立完成每个迭代后为了避免收敛到相同的最大值。一个方法来估计一个接一个的独立组件。
算法步骤1。初始化。
步骤2。牛顿阶段:
在哪里是一个函数以下列形式之一:
步骤3。归一化:
步骤4。解相关:
第5步。标准化(如步骤3)。
步骤6。去一步2如果不是聚合。
2.2.3。Higuchi的分形维数算法
Higuchi的算法计算时间序列的分形维数直接在时域。它是基于长度的测量,的曲线代表认为在使用一段时间序列作为一个单元样品,如果鳞片像
据说曲线分形维数因为一个简单的曲线维数等于1和一个平面尺寸等于2;的价值之间总是1(一个简单的曲线)和2(曲线几乎填写整架飞机)。措施的复杂性曲线和曲线的时间序列图表示。
从一个给定的时间序列,,该算法构造新的时间序列: 在哪里初始时间,间隔时间,int ()是一个实数的整数部分。
例如,对于和,该算法会产生4时间序列: “长度”每一个曲线然后计算 在哪里是样品的总数。
不是“长度”在欧几里得意义上,它代表了规范化的绝对值之和在遥远一对点的纵坐标的区别吗(初始点)。“长度”曲线的时间间隔,计算的均值值为:
分形维数的值,,由最小二乘线性拟合计算过程的角系数的双对数图的线性回归(1): 与根据以下公式: 在哪里。,表示数量的线性回归计算值()。
的标准偏差是计算 在哪里 与标准偏差
Higuchi的分形维数有一个缩放功能。乘法的振幅由一个常数因子,,使乘法的“长度”同样的因素。不改变这样的乘法:
窗口长度结果有意义的影响。因为癫痫发作传播得如此之快,位移尽可能小,并没有提供太多的变化。我们尝试用值从1秒到60秒,观察到窗口长度为2048点(16秒)有50%的重叠应该提供合理的传播解决癫痫前兆和多通道分析影响检测的能力。
3所示。结果与讨论
图2显示了一个癫痫患者的脑电图记录持续附近的21分钟。
根据记录,前后不同848第二(14分08秒)。在这一点上的时间之前,数据显示,神经元活动是混乱。然而,在那之后,大脑活动周期是一系列的高频重复峰值。因此,它有能力在癫痫发病检测可以依靠改变信号的分形特性计算Higuchi算法。应该注意,因为Higuchi算法对噪声很敏感,应该集中在预处理步骤获得最可信的结果。因此,在这项研究中,进行了两种方法的预处理过程如下所述。
3.1。方法1
由ICA算法分析后,主要成分含有癫痫波在图说明3。
我们可以看到在图3有两个时间,有一个相当大的波动幅度比其他人高。第一个是刺激效应造成的,第二个是猝发的时期。FD使用Higuchi算法的结果如图4。
作为对图4这些趋势,最显著的特点是,在preictal期间,分形维数较高,不稳定的在一个小范围内波动,徘徊在1.7。这种模式持续了约13分钟,直到分形维数数量达到峰值736秒(重叠窗口长度是16日50%)。然后图形逐渐下降到800秒,随后急剧下降从818第二槽的818秒。图然后经历了恢复,达到最大值之前下降到初始状态。最突出的意义是初学者的猝发的时期原始数据对应于最小FD值下降。在最小值点发生appoximately前2分钟,分形维数的值开始下降。因此,可以预测一些分钟后癫痫的发生。
然而,由于Higuchi算法对噪声非常敏感(2),尤其是白噪声,平均每个通道数据的分形维数是如此之高,所以很难检测癫痫。目前的困难是,我们无法知道确切位置的主要成分ICA处理的结果。因此,我们建议使用平均滤波器对原始数据。这种方法的结果将明显低于所述。
3.2。方法2
根据图1原始数据,经历过两个过滤阶段获得组件的计算分形维数。基于分形维数的价值,结果分为两组ICA组件。组件的高平均分维值有相同的模式与方法1:preictal期间分形维数较高,保持稳定,分形维数表现出一个实质性的减少发作的初期阶段的时期,然后再次上升,达到一个峰值,随后降至正常状态。与此同时,癫痫的迹象并没有出现在资产组。因此,分形维数最高的组件可以被认为是主要的组件显示在图5。
结合平均滤波器和ICA给我们带来质量的结果。主要原因是平均滤波器的优势可能拒绝高频率成分影响的外部噪声来源主要Higuchi算法的结果,而ICA善于拒绝内部噪音。从这个组合,我们可以获得包含癫痫波的主要成分。
在平均滤波公式,窗口的长度,,不应该选择癫痫波太大损失信息。这一步是适合拒绝随机噪声或非常高频率的噪音。因此,这是一个适当的方法在越南的设备条件,教师,和测量条件不是很好。没有很多医院应用法拉第笼用于消除嘈杂的环境的影响。
我们注意到分形维数计算Higuchi算法具有高度的准确性(2]。但是,它对噪声非常敏感。所以,噪音抑制的步骤是非常重要的在这个研究。利用ICA保持信号分离噪声并不是一个新方法,然而,在这个研究很有用。困难当我们使用这个算法,其结果包括“盲目的渠道”。因此,我们不能确定癫痫发作的来源和渠道有癫痫波。方法2只帮助我们在下一步选择哪些渠道分析。这是这种方法的优势。
分形维数的趋势在发作的时期有一个微小的区别从Esteller等的结果。7]。他们的研究结果表明,分形维数在发作的时期高于preictal时期和以降至最低的复杂性而结束我们的结果的趋势相反的模式。然而,改变模式的复杂性研究的结果类似于Iasemidis et al。11)当他们使用癫痫的李雅普诺夫指数数据。
3.3。在心电图检测癫痫
除了成就脑电图、心电图的分形性质对癫痫的诊断也有用。而癫痫信号可以直观地观察到在脑电图记录,心电图不注意被认为是意味着诊断癫痫方面发挥着很大作用。然而,在这项研究中,我们也试图估计分形癫痫患者的心电图特征。
根据图6Higuchi获得的算法,我们可以看到,分形系数的心电图从preictal过渡到更糟的猝发的时期。一般模式是非常接近的结果脑电图的分形图时标记为癫痫的开始。此外,发作前的几分钟,有两个波谷需要关注预期的发作。这个问题已经被讨论研究Iasemidis et al。11]。这一事实使提议心电图很可能成为一个潜在的方法诊断领域。
在现实中,有各种各样的便利处理心电图和脑电图相比。首先,前者是不太敏感的噪音与伟大的偏爱后者,主要原因是传感器获得的心电图的振幅远高于脑电图信号。其次,心电图比EEG广泛使用,更适合长期甚至永久的检验。因此,这个问题需要更深入地讨论,因为它的优势。
4所示。结论
噪音与EEG信号处理是一个严重的问题,特别是在Higuchi算法。因此,本研究集中在开发一个健壮的算法在预处理步骤ICA和平均滤波器之间的组合。这个事实是拒绝一些内部和外部的噪音。此外,这项研究显示了分形维数属性脑电图的癫痫患者。结果还表明,FD是一个实用的工具,用于识别脑电图的癫痫发作的数据。从unperiodic脑电图的变化周期信号表明通过改变分形系数最小的点。这些FD的变化可以提供洞察这个未知的潜在的动力系统。这些方法可以打开的可能性,设计一个智能系统实时预测和预警的癫痫专家的偏好或一个标准的视觉分析电记录的癫痫发作。此外,现有的癫痫信号的分形心电图的结果应注意,因为可以带给我们的优势。
Acknownledgments
作者感谢支持部门的科技、胡志明市;越南国家基础科学和技术Development-NAFOSTED批准号106.99 - -2010.11;越南国家University-Ho胡志明市;他们也要感谢曹博士φ冯氏,阮Huu琮、博士和Nguyen Thanh Luy为他们对人体解剖学和生理学的有价值的建议。最后但并非最不重要,他们深深地感谢他们已经收到志愿者的支持,家人和朋友。