文摘
固有的弱点之一脑电图信号处理是噪音和工件。克服它,一些方法预测癫痫最近报道的文献都基于混沌行为的评价颅内脑电图仪的(EEG)记录。这些方法降低噪音,但他们对患者有害。在这项研究中,我们建议使用李雅普诺夫频谱过滤噪音和检测癫痫头皮脑电图信号。我们决定,李雅普诺夫光谱可以被视为最期望的方法评估头皮脑电图记录的混乱行为和内强劲的声音。获得的结果相比,独立分量分析(ICA)和最大李雅普诺夫指数。比较检测癫痫诊断的结果从医生的典型的癫痫。
1。介绍
自发现人类脑电图扫描器信号由汉斯伯格在1923年EEG一直是临床最常用的仪器评估大脑活动,癫痫发作分类或没有癫痫、精神分裂症、睡眠障碍、精神疲劳,和昏迷。
世界上有很多研究脑电图。脑电图信号测量的电流流在许多锥体神经元的树突突触激发大脑皮层。当大脑细胞(神经元)被激活,在树突突触电流产生。当前生成一个二次电场头皮脑电图系统可测量的。他们被多电极脑电图机器从大脑内部,在皮层下的头骨,或某些位置在头皮,可以记录在不同的格式。
今天,癫痫是重要的公共健康问题,每个人都应该特别感兴趣,因为它的影响是影响生活的品质,学习,和工作能力,符合社会严重下降。癫痫是最常见的神经系统疾病,仅次于中风。全球近6000万人被诊断为癫痫的特点是反复发作1]。大约3500万没有获得适当的治疗。这要么是因为服务是不存在的或者因为癫痫是不被视为一个医学问题或治疗大脑紊乱。
大多数传统的分析癫痫、基于脑电图,重点是癫痫发作的检测和分类。其中,最好的方法分析仍然是由高度熟练的视觉检查脑电图描记仪。然而,随着新的信号处理方法在数学理论的基础上,已经有了兴趣的脑电图的分析预测癫痫发作。
检测尖峰,Gotman和王2]定义5个州(活跃的觉醒,安静的清醒,不同步的脑电图,相位的脑电图,和缓慢的EEG),设计一个自动状态分类的方法。然后,他们设计的程序识别nonepileptic瞬变(眼睛眨眼,肌电图,α,纺锤波,顶点大幅波)等参数通过测量相对振幅,清晰度和脑电图波持续时间。该方法对各种工件很敏感。在试图克服工件,丁格尔et al。3)开发了一个多级系统检测脑电图的癫痫样的活动。在另一个方法中,格罗佛et al。4)使用一个correlation-based算法试图减少肌肉文物多通道脑电图。所以,可以检测到大约67%的峰值。通过将多通道时间和空间信息,包括心电图、肌动电流图和眼电图信息到一个基于规则的系统(5),较高的检出率。人工神经网络(ann)已经被许多研究者用于癫痫检测(6,7]。预测癫痫,朱镕基和江8)跟踪的时间演化慢波能量比从头皮脑电图一些预设阈值。结果从四个广义癫痫患者证明pre-seizure产品化阶段的几分钟能清晰识别线性预测。在近期作品中,时频(TF)方法有效地使用这一事实扣押在时频域局部来源。大多数这些方法主要用于检测神经峰值(9不同类型的。EEG信号的方法特别有用,因为在统计上不稳定。
趋势预测癫痫发作是非线性的方法之一。大脑被认为是一个动力系统中,由于癫痫神经网络本质上是复杂的非线性结构相互作用的非线性行为,因此,预期。这些方法有证实的假设大脑的动态变化的量化脑电图可能使预测癫痫发作,而传统的分析方法未能识别特定变化之前发作(1]。这些包括减少相关积分在发作的状态(勒纳,1996)10在癫痫发作)和降低信号的复杂性。1998年,Le Van Quyen et al。11)贡献了一个新的测量它们叫做“相关性”密度预测癫痫发作。然后,这个群体推出了新的非线性技术,如“动力相似性指数”(12,13),衡量相似性之间的动态脑电图记录在遥远的瞬间。Jerger et al。14)和Jouny et al。15使用两种方法,其中一个,伽柏原子密度估计,颅内脑电图的同步和复杂性。在另一个方法中,Esteller et al。16]介绍了参数EEG信号的平均能量。他们表明,癫痫发作时,有痫性活动的复杂,三角洲放缓,亚临床发作,癫痫病灶和逐渐增加的能源。哈里森et al。17测量在EEG信号的能量和平均功率在移动窗口。
Iasemidis引入的思想混乱的预测癫痫发作。在1988年和1990年,Iasemedis et al。18]发表的第一篇著名的文章数量描述另一个非线性测量预测癫痫发作,主要是最大李雅普诺夫指数,为描述颅内脑电图记录(19]。李雅普诺夫在癫痫发生的最低价值,但他们仍积极的表示一个混沌吸引子的存在。然后,这组引入一个有效版本的最大李雅普诺夫指数(Lmax)命名短期最大李雅普诺夫指数(STLmax)和证明的时间演化之间的关系Lmax和癫痫发作的发展20.]。
大多数这些研究癫痫的预测是基于颅内脑电图记录。这些方法面临的主要挑战。这是危险的病人,尤其是孩子们。头皮脑电图记录在医院是最受欢迎的。但头皮信号更受环境噪声比颅内脑电图和工件,和有意义的信号衰减和混合方式通过软组织和骨头。所以,柯尔莫哥洛夫熵等传统方法和李雅普诺夫指数,可能会影响到提到的后两个难题,因此,他们可能无法区分不同的混乱的政权的头皮脑电图(21]。有许多研究人员对这个问题感兴趣。他们试图应用传统非线性测量头皮脑电图。这是蜂巢和Protopopescu紧随其后的方法(22]。他们提出了一个基于方法相空间不同措施(PSDMs)预警从头皮脑电图的癫痫事件。Iasemidis et al。23),使用时空演化的短期最大李雅普诺夫指数,证明了分钟甚至几小时发作之前,大脑皮层逐步方法的多个区域的相似程度的chaoticity动力状态。他们称之为动力夹带。这种方法也已被证明能够工作在scalp-unfiltered癫痫EEG数据可预测性。2006年,一个研究小组Saeid Sanei开发了一种新颖的方法来量化使用头皮脑电图大脑的动态变化的一种有效的基于块的盲源分离(BSS)技术分离大脑内的潜在来源克服噪声和工件的问题。他们的方法是有前途的但是他们的结果也面临噪音和工件1]。
在这里,我们只对应用感兴趣的李雅普诺夫指数头皮脑电图预测癫痫。像以前的方法,应用李雅普诺夫指数的主要问题头皮脑电图是噪音。我们执行联合Rosenstein ICA方法和李雅普诺夫指数。此外,我们还发现改进的李雅普诺夫谱估计的李雅普诺夫指数,以便它可以更健壮,尤其是噪音脑电图的存在。
本文组织如下。节2,我们描述的算法过滤、李雅普诺夫指数评估,特别是李雅普诺夫频谱,视为一个优化模型估算李雅普诺夫指数。节3,脑电图记录过程和解释结果与其他方法相比。结论提供了部分4。
2。材料和方法
2.1。材料
实验数据来自胡志明市医院115年,越南使用伽利略脑电图机(EBNEURO、意大利),分成三组:癫痫(8文件),脑功能障碍(7文件),由于癫痫或变换nonseizure(15个文件)。
2.2。预处理
脑电图信号频率低于100赫兹。此外,大多数录音50 hz频率分量污染几个电极。因此,需要低通滤波来消除这种频率分量和其他高频组件通常由肌肉活动。巴特沃斯滤波器的截止频率的订单10 45赫兹(使用1]。在这个范围的频率,我们还有完整的信息信号。
2.3。独立分量分析(ICA) [24,25]
预处理步骤后,头皮脑电图仍被噪声污染和工件如眨眼。独立分量分析(ICA)是一种有效的方法去除工件,特别是眨眼,分离这些录音的大脑信号的来源。ICA方法是基于假设信号记录在头皮混合物的课程暂时独立的脑和artifactual来源,势起源于大脑的不同部位,头皮,和身体在电极,总结线性传播延迟是微不足道的。
2.4。李雅普诺夫指数
脑电图记录从一个网站本质上是在其他网站相关活动。这使得脑电图多变量时间序列。一般来说,一个脑电图信号可以看作是一个非线性系统的输出,这可能是确定性的特征。方法来计算这些动力措施从发表的实验数据26]。其中,李雅普诺夫指数是一种参数测量非线性动力系统的混沌和特征的时空动态脑电图(脑电图)时间序列记录从颞叶癫痫患者。狼et al。27]提出的第一个算法计算最大李雅普诺夫指数。但只狼算法估计最大李雅普诺夫指数和最初几个负的李雅普诺夫指数,不是整个频谱指数。对噪声敏感的时间序列以及测量的程度较小的数据集或不可靠。Iasemidis等人提出了算法,估计短期内最大李雅普诺夫指数,这是一个修改版本的程序提出的狼。这种修改是必要的预测癫痫发作(癫痫的小数据段的数据)。除此之外,有很多的改进估计世界上许多研究者的李雅普诺夫指数等Eckmann et al。28)、棕色等。29日],Rosenstein et al。30.]。在这里,我们也使用的算法Rosenstein因为它的优势。Rosenstein算法快速、容易实现和健壮的变化量:嵌入维度,数据集的大小,重建延迟,和噪音水平。此外,一个可以同时使用算法来计算关联维数。因此,一个序列的计算将产生的估计水平的混乱和系统的复杂性。
2.5。Rosenstein算法(30.]
我们的方法包括重构吸引子的第一步从单个时间序列动态。我们使用延迟的方法,因为我们的工作的一个目标是开发一种快速和容易实现的算法。重建的轨迹,X,可以表示为一个矩阵,每一行是一个相空间向量。也就是说,(我)向量在相空间: 在哪里是滞后或重建延迟,是嵌入维数,(我)定义的鉴于理论上我们假设th对最近的邻居发散差不多的速度最大李雅普诺夫指数: 在哪里是初始分离。通过双方的对数(2),我们有
方程(3)代表一组平行线(左右),每一个都有斜坡大致成正比。最大李雅普诺夫指数很容易和准确计算使用最小二乘适合定义的“平均”线 在哪里表示的平均超过所有的值。这个过程的平均计算的精确值的关键λ1使用小型,嘈杂的数据集。注意,在(3),执行的功能正常化的邻居的分离,但所示(4),这对估计正常化是不必要的。通过避免正常化,当前的方法获得一个轻微的计算优势的方法佐藤et al。31日]。
2.5.1。李雅普诺夫光谱(32]
视图李雅普诺夫指数的另一种方法是可预测性的损失我们期待。如果我们假设真正的起点x0的时间序列可能是一个流离失所ε,我们只知道区域的信息我0的起点。一些步骤之后,信息领域的时间序列在时间t,它。关于数据的真实位置信息减少由于增加信息的区域。因此,我们得到一个坏的可预测性。最大李雅普诺夫指数的平均可用于描述信息丢失;导致不好的可预测性(32]。虽然有方法适用于许多维混乱从实验得到不规则信号中提取物理量李雅普诺夫光谱(33]。它的谱估计几个李雅普诺夫指数(包括正、零,甚至是负面的)。这对于quantifing许多物理量是必要的,尤其是对于复杂的脑电图信号。此外,在脑电图处理,主要问题是噪音和工件。有许多关于处理脑电图的研究,特别是消除噪音预测癫痫。但大多数的报告只解决了一部分问题,面临着一些困难。这里,我们将描述一个李雅普诺夫方法频谱所示行为以及在某些参数值的扰动,但稍微敏感的噪音,良好的准确性非常容易。它适用于预测癫痫发作。
让我们考虑一个观察到的轨迹,它可以被视为某种动力系统的解决方案:
定义在一个维相空间。另一方面,一个切向量的进化ξ在一个切线空间是由线性的(5): 在哪里的雅可比矩阵。线性时滞的解决方案(6)可以获得 在哪里切向量的线性算子地图吗来。平均指数的切矢量的散度ξ定义如下: 在哪里代表一个标准对一些黎曼度量。此外,有一个维基础的,将值。这些可以命令他们的大小,李雅普诺夫的光谱特征指数。这些指数是独立的如果系统是遍历。
算法1。让()表示时间序列的一些物理量测量离散时间间隔,也就是说,。考虑一个球的半径小集中在轨道点,找到任何点集()包含在这个球,
在哪里之间的位移矢量是吗和。我们使用普通的欧几里得范数定义如下:对于一些向量。进化后的时间间隔轨道点将会继续和相邻的点。位移向量从而映射到
如果半径是足够小的位移向量和被认为是好的近似切的切矢量空间,进化的来可以表示为一个矩阵,如下所示:
矩阵是一个近似流的地图吗在在(7)。让我们进行最优估计线性流的地图从数据集和。最优估计的似是而非的过程是least-square-error算法,而最小化之间的平均平方误差准则的和关于矩阵的所有组件如下:
表示的组件的矩阵和应用条件(12),一个获得方程来解决。一个很容易获得以下表达式:
在哪里和是矩阵,称为协方差矩阵,弗吉尼亚州和向量的k组件吗和,分别。如果并没有退化,(13)有一个解决方案。
现在我们已经变分方程的切线空间实验获得轨道;可以计算李雅普诺夫指数
为,在那里的解决方案(13),()是一组基向量的切线空间。在数值计算过程中,选择任意设置。操作的矩阵在,renormalize长度是1。使用gram - schmidt过程,保持相互正交的基础。重复这个过程迭代和计算(14)。本方法的优势现在清楚的是,因为我们可以处理任意向量在切线空间和跟踪这些向量的进化。在这种方法中,这些向量不限于观测数据点,与传统的方法相比。特性允许我们来计算所有指数良好的准确性非常容易。
3所示。结果和讨论
巴特沃斯滤波器的信号首先预处理顺序10截止频率的45赫兹去除噪声50 Hz和高频组件。过滤信号然后分析了独立分量分析(ICA)进行比较的主要组件。量化大脑动力学的变化是由非线性估计最大李雅普诺夫指数等方法和李雅普诺夫光谱也被用来评估头皮脑电图记录的混沌行为。
数据1(一)- - - - - -1 (d)显示结果的头皮脑电图记录包含一般癫痫21分钟。在图1(一),5秒钟脑电图段preictal的额叶癫痫是由头皮电极记录的前消除噪音。在第二个817年,有一系列的高频,重复峰值,polyspike-slow波。preseizure清晰可辨的头皮上的电极,在第二个817年,发作状态一直持续到第二个871(图1 (b))。被噪声污染的信号和工件但没收是明显的。图1 (c)的结果图1 (b)被巴特沃斯滤波器过滤后的10个45赫兹的截止频率。图1 (d)显示了应用ICA算法提出后的信号获得相同的部分在图1 (c)。IC4、集成电路和IC10噪声来源脑电图在癫痫组件是在剩下的ICs。
(一)
(b)
(c)
(d)
数据2(一个)和2 (b)随着时间的推移李雅普诺夫概要文件IC6 IC7。这两种集成电路显示,从第二个817年到871年,在癫痫的李雅普诺夫指数开始下降,847年在第二,李雅普诺夫指数降至最低。癫痫可以很容易地发现价值最低的李雅普诺夫指数。这是第二个817年到871年的时期。这些结果记录在图适合点1。此外,数据2 (c)和2 (d)的李雅普诺夫概要IC6和IC7通过观察李雅普诺夫第二个500年到1000年第二次的资料,显示开始减少癫痫发作前大约2分钟。因此,李雅普诺夫的ICs后独立分量分析不仅可以帮助医生检测,还预测早期癫痫发作前2分钟。
(一)
(b)
(c)
(d)
数据3(一个)和3 (b)的李雅普诺夫光谱资料IC6和IC7相同的数据。的最大李雅普诺夫下降系数大约在847年,发生癫痫发生的地方。这意味着李雅普诺夫光谱可以用来准确检测癫痫。此外,观察一段时间的preseizure-seizure的5分钟,我们可以看到,所有的李雅普诺夫系数降低癫痫发生前约两分钟。这可以帮助医生预测癫痫发作。这些结果清楚地表明,该ICA算法成功地分离了癫痫信号(很久以前发作)的来源,噪音,和工件在大脑。最大李雅普诺夫指数和李雅普诺夫光谱可以结合ICA方法量化动态诊断癫痫和大脑的变化带来了好的结果。
(一)
(b)
数据4(一)和4 (b)李雅普诺夫概要文件的渠道8 - 11日。大多数通道显示最低的价值下降约720秒,而preseizure-seizure发病间隔发生在第二个817年871年第二李雅普诺夫的最大峰值系数。因此,没有一个渠道能够检测和预测癫痫发作。此外,过滤后的头皮脑电图0.5 -45 Hz由高频污染导致波动对于整个记录活动。所以,估计只有最大李雅普诺夫头皮脑电图没有ICA系数表明,提到的功能不能检测没收。
(一)
(b)
检测可以提高通过检查李雅普诺夫频谱与其他参数。数据5(一个)和5 (b)李雅普诺夫的光谱通道8 - 11后过滤0-45赫兹。李雅普诺夫系数开始降低第二个800年,达到最低890秒左右。有pre-seizure和发作癫痫发生的时间间隔。此外,最低的不清楚这些其他的李雅普诺夫系数。这个结果表明,李雅普诺夫光谱可以检测癫痫对吵闹的头皮脑电图时最大李雅普诺夫系数法不能。这是一个优势处理头皮脑电图在实际情况下,在医院。
(一)
(b)
数据6(一)和6 (b)显示21分钟头皮脑电图记录包含一个通用癫痫。在图6(一),5秒钟脑电图段pre-seizure的额叶癫痫是由头皮电极记录之前,把声音从第二个679年到684年。我们可以看到信号的复杂性降低,罪恶的形状。然后扣押期间发生阵发性去极化的迹象,波形变得更加复杂。癫痫在第二个724年结束。这些信号被巴特沃斯滤波器过滤订单10 45赫兹的截止频率,然后分析ICA方法分离癫痫信号(很久以前发作)的来源,噪音,和工件在大脑。ICs将发作迹象时,李雅普诺夫指数估计。
(一)
(b)
数据7(一)和7 (b)说明平滑的变化IC5带来癫痫信号获得的最大李雅普诺夫指数和李雅普诺夫谱方法,分别。开始减少在600年第二次,大约2分钟前癫痫的发病和滴最低725秒左右。实验结果表明ICA算法成功地分离了癫痫信号和ICA和李雅普诺夫指数方法的组合可以帮助医生不仅检测还预测癫痫。这不仅是一种有效的组合在去除处理EEG信号的噪音也量化的大脑变化。
(一)
(b)
数据8(一个)和8 (b)李雅普诺夫的通道9和10所示。的值有大的波动,可以是由于噪声的存在和工件。此外,没有明显滴在癫痫发生后。这意味着最大李雅普诺夫对噪声的敏感性和它不能检测癫痫非常嘈杂的脑电图。这可以引起的平均信息丢失的描述。如前所述,检测可以提高通过检查李雅普诺夫频谱与其他λ参数。
(一)
(b)
数据9(一个)和9 (b)是李雅普诺夫的光谱通道过滤0-45后9和10赫兹。李雅普诺夫系数开始降低第二个700年,达到最低725秒左右。有pre-seizure和发作癫痫发生的时间间隔。的最小值用于检测癫痫。此外,的值在这两个渠道有发作的高峰时间发生。这表明估计的谱几个李雅普诺夫指数(包括正、零,甚至是负面的)是必要的对于quantifing许多物理量,特别是对于复杂的脑电图信号。
(一)
(b)
集的头皮脑电图(见表1),8例癫痫不仅发现但也取代了ICA的组合和李雅普诺夫指数(包括最大李雅普诺夫指数和李雅普诺夫谱)方法。这意味着ICA算法成功地分离了癫痫信号在大脑。最大李雅普诺夫指数和李雅普诺夫光谱可以量化大脑动态的非线性变化。此外,所有8数据集显示李雅普诺夫光谱可以探测到发作而最大李雅普诺夫指数做不到这一点没有分析ICA头皮脑电图。这个结果应该处理EEG信号的优势。
4所示。结论
提议李雅普诺夫谱估计的概要文件从脑电图诊断癫痫。实验的结果清楚地表明,该提议进行优势比ICA和最大李雅普诺夫指数的方法。ICA算法成功地分离癫痫信号从其他来源,噪音,和工件在大脑和最大李雅普诺夫指数评估EEG信号的混沌行为。李雅普诺夫谱被认为是一个健壮的和通用的方法来处理EEG信号检测癫痫。估计源的结果类似于医生的诊断案例典型的癫痫。
Acknowlegments
作者要感谢研究资助的科技、胡志明市。此外,研究基金支持的研究在一定程度上从越南国立大学在胡志明市和越南国家科学技术发展基金会(NAFOSTED)研究批准号106.99 - -2010.11。他们也要感谢曹博士φ冯氏,阮博士Huu琮、Tran Thi梅你博士和Nguyen Thanh Luy关于人类生理学的有价值的建议。