基于时空复杂度的头皮脑电图癫痫发作自动检测

抽象的

癫痫是一组神经障碍的特征为癫痫发作，其特征在于，脑电图（EEG）是用于诊断，监测最常见的技术之一，和癫痫病人管理。大量脑电图已被记录在临床应用中，从而导致脑电图的海量没有定期的可能目视检查。因此，癫痫发作的自动化检测已成为许多研究者很长一段时间的目标。因此，一个新的方法，提出了以构建患者特异性检测器基于空间 - 时间复杂性分析，涉及两种常用的基于熵的复杂性的分析方法，是排列熵（PE）和样本熵（SE）。空间 - 时间复杂性方法的性能上的共享数据集进行评估。结果表明，所提出的癫痫探测器实现承诺的性能：PE和SE的23例患者的平均敏感性分别为99％和96.6％。此外，这两种方法能够准确地识别几乎所有的无癫痫发作的脑电图。所提出的方法不仅获得高的准确率又满足其上癫痫检测，这表明该方法具有的实时检测癫痫发作的潜在应用的实时要求。

1.介绍

癫痫影响着全世界5000多万人[1]并且以自发性和不可预见的癫痫发作的特征为特征2，这可能导致全身抽搐或注意力不集中。频繁的癫痫发作会给个体带来持续的身体伤害的风险，甚至可能导致死亡。脑电图(EEG)是一种直接记录脑电活动并诊断临床脑疾病的有效、无创技术[3.］．癫痫发作期脑电图信号出现异常的癫痫波形。对于癫痫患者，临床上通常采用持续数天的长期脑电图记录来定位致痫灶。因此，大量的脑电图数据被记录下来，然后由医生目视检查，以识别癫痫患者的发作信息。然而，神经学家对长时间的脑电图记录进行目视检查是一项非常繁琐、耗时、昂贵的工作，尤其是考虑到大量癫痫患者。此外，脑电图的常规视觉评估不是一个非常客观的过程。因此，需要对癫痫发作进行自动检测，以大大缩短诊断时间。

众所周知，大脑是一种混沌动态系统，大脑数据倾向于表现出包含有关底层动态的信息的复杂波动[4.那5.］．因此，非线性分析，可以更好地促进透出EEG的机制和特点。已经发现，从癫痫病灶的位置处的EEG欠非线性决定的明显迹象，而从其他区域展品线性随机动力学[6.，提示癫痫脑电图的非线性分析可能为癫痫的检测提供有用的信息。随着非线性理论的迅速发展，信息熵分析成为研究脑电信号非线性动力学的一个重要领域。最大的优点是它只需要几百个点就可以描述整个系统，而Lyapunov指数等其他非线性算法通常需要上千个数据点才能得到正确的结果[7.］．

熵代表信息论中系统的可预测性(不规则性)。熵值越低，随机性越小，系统阶数越大。因此，许多复杂概念都与熵有关。近年来，基于熵的复杂性方法被用于癫痫脑电数据分析。近似熵(ApEn)首次用于研究正常和癫痫脑电图数据[8.］．在此基础上，提出了一种改进的ApEn算法，即样本熵(SampEn)，用于脑电图记录中癫痫发作的自动检测[9.］．通常，APE是由于错误计数的自匹配而本质上偏置，而塞仍然克服了这种限制，导致检测癫痫发作的性能更好[10.］．然而，这两种两种算法都基于EEG数据的振幅，它们是脆弱的参考电极的选择和在EEG数据的工件[这导致11.］．李等人使用另一个命令模式基于熵方法(称为排列熵,PE)作为指标来预测基因失神癫痫大鼠癫痫发作,和结果表明,PE可以成功检测preseizure阶段169年314年癫痫发作(54%),在(高于SE (21%)12.］．运用排列熵对癫痫患者的脑电图数据进行分析，发现无发作期脑电图比发作期脑电图具有更高的排列熵值[13.那14.］．

尽管基于熵的复杂性方法在癫痫发作检测方面显示出了很好的结果[3.那12.那15.那16.]，如何充分发挥复杂性的潜力，提高脑电图分析的可靠性和准确性仍然是一个有待解决的问题。同时，有些方法只对选定的单一类型癫痫患者(如颞叶癫痫)有较好的效果;在其他多种癫痫类型的患者身上进行测试时，结果的重复性和可靠性受到了质疑[17.］．此外，脑电图的特点，跨越患者显著变化。而在扣押和nonseizure活动这个交叉患者的变异会导致患者的非特异性分类呈现在声明癫痫发作精度差或长期拖延。为了克服这些问题，在这项研究中，提出了一种广义的时空复杂性的方法来开发高性能的特定患者的癫痫发作检测。在我们的检测器，测量精度高的电势的原因是用于构造的特征向量完全自动化的过程，它统一在一个单一的特征空间，在脑的复杂的电活动和时间演变的空间性质。先前的患者特异性方法单独分类的空间和时间特性和在解释脑电活动熟练的个体需要指定特征如何，例如应综合[18.那19.］．

在他的研究中，PE和SE都采用以实现所提出的时空复杂度检测。为了验证所提出的方法的性能，从CHB-MIT共享数据集被用于[20.］．结果表明，拟议的癫痫探测器达到了有希望的性能：23例患者的PE和SE的平均敏感性分别为99％和96.6％。此外，PE和基于SE的探测器可以准确地识别几乎所有无癫痫发作的脑电图。由于所提出的癫痫发作检测方法不仅获得高精度率，而且还具有非常快速的计算速度，这表明它在实时检测癫痫发作的巨大潜力。

2.材料和方法

2.1。EEG数据集

在本文中，我们所提出的方法在一个共享数据集上测试了性能，该数据集在过去几年被广泛使用。脑电图数据集来自波士顿儿童医院的顽固性癫痫儿童受试者。该数据库包含22名受试者(17名女性，年龄1.5-19岁;5名男性，年龄3至22岁)，并可从PhysioNet网站下载:http://www.physionet.org/pn6/chbmit/．使用国际10-20脑电图电极位置和命名系统来收集这些脑电图记录。所有信号以每秒256个样本的16位分辨率进行采样，并在0.5 Hz到25 Hz的频带内进行滤波。为了确定癫痫发作的特征，患者在停服抗癫痫药物后被监测了数天。有关数据集的更多细节可从[20.］．

一般来说，尽管潜在的生理活动是多级的，但癫痫检测可以转化为二元分类问题:发作性(癫痫发作期)和发作间期脑电图(无发作期)。这是因为专家既不容易也不实际地识别和标记癫痫发作期和无发作期的子类。此外，将脑电图记录分为两类，无癫痫和癫痫，也符合标准的临床实践。在该数据库中，脑电图信号从发作开始到结束，由专家在各个通道上标记为“发作”;在“发作”期之外的脑电图记录被认为是“无发作”。

在这个共享数据集中，癫痫患者被监测了数天，结果每个患者包含9到42个连续的EDF文件(也称为记录)。在大多数情况下，记录包含一个小时的数字化脑电图数据，除了一些记录包含两个或四个小时的脑电图数据。只有包含至少一次发作的记录(称为发作记录)才用于训练或验证我们的发作检测器的性能。对于单个受试者的每一次发作记录，从无发作期随机选择300个发作间期(4秒)，从发作期随机选择3个发作期(4秒)。为什么选择更多的发作间期脑电图是因为与无发作期相比，癫痫发作是一种罕见的事件。此外，本研究只考虑癫痫发作的前20秒脑电图，因为这个时间段更有临床意义。之前的工作表明，在检出癫痫之前去除伪影可以提高分类精度[21.]，而这项工作也不会做任何预处理，以显示该检测器的鲁棒性。

2.2。复杂性特征

在所有基于熵的复杂性分析方法中，排列熵(PE)和样本熵(SE)是最常用的两种生理信号分析方法。因此，本文分别采用排列熵和样本熵来构造检测器。

2.2.1。排列熵

排列熵(Permutation Entropy, PE)是由Bandt和Pompe提出的一种生理时间序列的自然复杂性测度[22.］．该方法首先根据相邻值的比较将一个时间序列映射为一个顺序模式序列，然后根据顺序模式相对频率的统计度量计算出PE。给定时间序列 ，延迟向量 由嵌入式维度的嵌入程序构建， 那和时间滞后, ．然后矢量按升序排列: ．将有可能的订单模式(也称为主题)不同的数字。如图所示1，有6种不同的主题 ，包括“斜坡”、“高峰”和“低谷”。当表示母题出现的频率在时间序列中，相对频率是这样 ．置换熵定义为

在实际使用中，PE通常是归一化的 ．PE的最小值为0，表示时间序列是绝对规则的;PE的最大值为1，表示时间序列是完全随机的。换句话说，PE越小，时间序列越有规律。在PE的计算中，仅考虑顺序模式，PE值与时间序列的振幅无关，这意味着PE值对时间序列中嵌入的噪声不敏感。在脑电信号的应用中，由于脑电信号是非平稳的，所以需要在较短的时间内提取脑电信号。然而，脑电图不能被分割成非常短的生理相关单元。为了达成妥协，本研究使用了2秒长的epoch。

PE的计算取决于两个参数：嵌入维和时间滞后 ．一般来说，一个太小了会导致几个可能的基序和因此低的灵敏度。在另一方面，会有一个高熵的偏差时，太高了，因为每个主题只会出现几次。总而言之，这表明选择取决于数据的长度 那与 ．由于每个历元的长度仅仅是512点（2秒）， 适合本研究。至于时间的滞后 那这种选择对于信号的频率行为是至关重要的。由于一些高频元件将被丢弃 那 本研究采用。

大多数癫痫发作后，大脑动力学发展为有节奏的活动，通常缓慢而单调，这意味着发作性脑电图比发作间期脑电图更有规律。如图所示2，图中的黑色曲线2(c)表示FP1-F3通道PE值的时间演化(图)2（b）中），其参与了癫痫发作和选定的从多声道EEG在患者记录（数字2(a))。从图2（b）那it can be found that EEG wave following a seizure (onset at 2589 s) is slow and regular than the preceding EEG. And the corresponding PE values in the seizure phase are lower than those in seizure-free phase.

2.2.2。样本熵

样本熵(SE)是近似熵(AE)的修正，通常用于评估生理信号的复杂性[10.］．SE比AE有两个优势:数据长度独立和相对无故障的实现。对于给定的嵌入维度 那时间滞后 那和宽容 那SE是两组同时存在的长度数据点的概率的负对数有距离然后是两组同步数据点长度 也有距离 ．

给定时间序列 ，我们可以构建延迟向量 当时随着嵌入维数, 那和时间滞后, ．如果两个向量之间的距离定义为 ，矢量对在长度的延迟向量的数目 那 有 进行计数，并表示为和那分别。样本熵可以定义为

应当指出的是一种总是有一个值小于或等于B.的，这意味着SE总是零或正值。SE的一小值还指示在数据集中更多的自相似性和规律性。一般来说， STD.使用最常见的，并提供非常良好的性能[9.那11.］．为了和PE保持一致， 和 设置为SE．

２.３.空间特性

参与发作脑电图信道的身份可以由无癫痫发作EEG进一步区分发作EEG。这是因为，在这个数据库中癫痫发作类型属于部分发作或局灶性癫痫发作（例如颞叶癫痫发作），其具有局灶性起源。因此，只有一组EEG渠道的开拓性痉挛发作后节律活动。此外，所涉及的EEG信道的标识和节律活动的结构不同个体而不同。例如，图2和3.说明来自不同患者的癫痫发作。患者我在图中癫痫发作2从第2589秒开始，其特征在于在通道FP1-F3上最突出的节奏活动的外观。耐心在图中扣押3.从1015秒开始，P8-O2通道和FT9-FT10通道节律性活动最为明显，幅度增大，频率降低。

尽管每个人的癫痫发作情况各不相同，但每个人的癫痫发作都表现出相当大的一致性，前提是它们来自同一个大脑区域。数字4.说明了患者的另一种癫痫发作 ．需要注意的是，该发作的空间和节奏特征与图中所示的发作相似2．自动捕获每个两秒EEG时期内包含的空间复杂性信息 ，从各自提取排列熵 ．EEG通道被连接，形成了一个特征矢量与元素如图中间部分所示5.．

２.４.时间演化

虽然空间的复杂性特征尽管可以充分捕捉多通道脑电图的动态，但仍无法探索一个时代与最近的过去有何关联，比如提取仅基于当前的时代。因此，不能反映癫痫是如何从背景脑电图中出现的，也不能反映它是如何演变的。为了提取这些进化信息，需要一个堆叠的特征向量 那通过串联空间特征来构造被称为空间 - 时间复杂性非传播连续的2秒钟，如图的右侧所示5.．

应该指出的是，编码脑电图的时间演变不等于形成单个特征向量来自更长的时期。这是因为前者保留了离散事件，而后者抹去了这些事件的复杂性特征。一般来说，当脑电图异常被认为是癫痫时，它应该持续并发展至少4-10秒。为了整合这一领域的知识，在本研究中设为2，使分类器认为特征向量的演化时间超过4秒。

2．5．分类

为评价所提出的时空复杂度的检测能力，判别分析（DA）23.]用来将特征向量分类为癫痫发作或无癫痫发作活动的代表。DA通过最小化类内协方差和同时最大化类间协方差来进行分类。我们选择DA的原因有两个:在癫痫检测中，DA比其他分类器(如决策树和支持向量机)具有更好的性能[3.那15.];DA是一种非参数分类方法，非常方便临床医生为患者特异性检测建立基础。此外，本文还使用二次判别分析(QDA)来区分癫痫期和无癫痫期，因为二次判别分析比线性判别分析(LDA)具有更强的可预测性。

为了估计病人的分类性能，留一法交叉验证方案被采用;我们认为评估基础上留出一小时的记录，而不是第二长的时期的表现，因为后者将通过包括接近训练数据的时间接近那些在测试数据的特征引起误导了良好的效果。让 表示检获记录的数目。我们把探测器训练成从 癫痫发作的记录，然后检测器在剩余的发作记录测试。重复此过程时间让每个检记录进行测试。性能测量值的平均值（例如灵敏性和特异性）在折叠被视为分类器性能的最终估计。在本研究中，敏感性和特异性定义为分别正确识别的ICTAL eEG和嵌入脑电图的比例。

3.结果

3.1。癫痫发作的特征

为了癫痫脑电研究的特点，我们首先比较发作脑电图和无癫痫发作的脑电图的复杂性。由于不同的患者在此数据集可具有不同的发作类型，只有在节律活动开发最突出的是信道被认为是在本部分中的每个患者。PE和无癫痫发作和癫痫EEG的SE的所有23名患者的分布图中示出6.．可以发现癫痫发作脑电图的PE值 远低于无癫痫发作的eeg ，癫痫发作脑电图的SE值 亦远低于无癫痫脑电图( ）。要调查他们的分布是否有明显不同，配对-然后进行测试。结果表明PE的差异 和SE ，即癫痫脑电的复杂性显著低于无癫痫脑电的复杂性。诱发癫痫的过程被假设是由于大脑中不同区域的电活动异常的超同步。在潜在的复杂网络中，与“关键区域”(即癫痫致痫区)相关联的“关键”节点开始对其他区域进行招募，直到大脑触发癫痫以重置这种难以忍受的状况[24.］．神经元超同步预计影响所述EEG的复杂信号本身：实际上，过量的潜在复杂网络的节点的同步也可以预期显着的复杂性的减少EEG信号的。再加上我们发现，头皮脑电图的复杂性可以作为一个指标来监测大脑状态的动态。

３．２．敏感的探测器

总的来说，我们的时空复杂性检测器可以获得非常有前景的性能:在23例患者中，PE和SE的平均灵敏度分别为99%和96.6%。更具体地说，PE和SE对每个患者的敏感性如图所示7.．可以发现，除了患者12和23例外，PE检测器的探测器的最低灵敏度为88.9％，甚至可以精确地识别所有患者的ICTAL脑电图。

3.3。探测器的特异性

所提出的时空检测器的复杂性可精确地识别几乎所有的发作EEG，以及两者的PE和SE方法的特异性为100％。要深入展示我们提出的探测器，图的优点8.给出了每个患者发作间期脑电图的累计误检数。可以发现，大多数患者PE和SE探测器都没有漏诊。在患者中，SE检测器的误检次数最多，只有4次 那这非常小，因为有900个发作间期脑电图( 那3癫痫发作记录）。

4.讨论和结论

癫痫发作涉及大部分大脑皮层，从无发作期到发作期的动态机制非常复杂。而且，不同的患者，不同的发作方式，所涉及的皮层区域和发作过渡的时间程是不同的。因此，迫切需要一种高效、稳健的癫痫检测方法，能够快速、准确地区分非癫痫性脑电图和癫痫性脑电图[9.］．在本文中，对癫痫发作的自动检测的新方法是基于头皮EEG的空间 - 时间复杂性提出。如所提出的特征可利用空间信息充分利用来代表不同的癫痫发作，它可以直接用于构建患者特异性检测器。结果表明，该检测仪可以准确地识别88.9％发作脑电图至少一个病人，几乎所有的无癫痫发作的脑电图。

尽管基于时空复杂度的PE和SE方法在癫痫发作检测中都有令人兴奋的性能，但PE的检测性能仍优于SE。PE与相空间中向量的顺序结构相关联，而SE基于相空间中向量的相似性，这意味着PE对EEG记录中的噪声不太敏感[25.］．此外，PE的优势在于，它可以因为其实现简单，快速计算的应用到临床的实时在线监测癫痫发作。因此，高的识别性能和低的计算成本使得能够建立癫痫发作的实时检测系统中的空间 - 时间PE方法的基础上。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

浙江省计算机科学与技术重点学科开放基金资助:

参考文献

1. 世界卫生组织，“癫痫，”http://www.who.int/mediacentre/factsheets/fs999/en/．查看在：谷歌学术搜索
2. R. S.Fisher，C. Acevedo，A.Arzimanoglou等，“Ilae官方报告：癫痫的实际临床定义，”Epilepsia，第55卷，第55期4, pp. 475-482, 2014。查看在：出版商网站|谷歌学术搜索
3. K.曾，闫J.，Y.王，A啬，G.欧阳，和X.李，“自动检测与压缩感知EEG失神发作，”Neurocomputing， 2016, vol. 171, pp. 497-502。查看在：出版商网站|谷歌学术搜索
4. H. Preissl, W. Lutzenberger，和F. Pulvermüller，“大脑是否存在混乱?”行为和大脑科学，卷。19，没有。2，第307-308，1996。查看在：出版商网站|谷歌学术搜索
5. H. Korn和P. Faure，“大脑中有混乱吗？II。实验证据和相关模型，“政府建筑渲染的生物学第326期9、2003年。查看在：出版商网站|谷歌学术搜索
6. R. G. Andrzejak, G. Widman, K. Lehnertz, C. Rieke, P. David, and C. E. Elger，“随机环境中的癫痫过程作为非线性确定性动力学:对中颞叶癫痫的评估，”癫痫的研究，卷。44，不。2-3，pp。129-140,2001。查看在：出版商网站|谷歌学术搜索
7. E. D. Übeyli，“利用李雅普诺夫指数的自适应神经模糊推理系统自动检测脑电图变化”，专家系统与应用，卷。36，不。5，第9031-9038，2009。查看在：出版商网站|谷歌学术搜索
8. N.Kannathal，M.L.Choo，U.R.Charya，以及P.K.Acadasivan，“eeg中的癫痫患者的熵”，“Biomedicine中的计算机方法和程序，卷。80，不。3，pp.187-194,2005。查看在：出版商网站|谷歌学术搜索
9. “基于最优样本熵和极限学习机的脑电图癫痫发作自动检测方法”，神经科学方法杂志号，第210卷2，页132-146,2012。查看在：出版商网站|谷歌学术搜索
10. J. S.里奇曼和J. R.穆尔曼，“使用近似熵和样本熵生理时间序列分析，”美国生理心脏杂志杂​​志和循环生理学第278期6、pp. H2039-H2049, 2000。查看在：谷歌学术搜索
11. J. M. Yentes，N.亨特，K. K.施密德，J. P. Kaipust，D.麦格拉思和N. Stergiou，“适当的使用近似熵，并用短的数据集样本熵的，”生物医学工程史册号，第41卷。2, pp. 349-365, 2013。查看在：出版商网站|谷歌学术搜索
12. 十，李，G.欧阳，和D A.理查兹，“与排列熵失神发作的可预测性分析，”癫痫的研究，卷。77，没有。1，第70-74，2007。查看在：出版商网站|谷歌学术搜索
13. G.欧阳，J.李，刘X.和X.李“缺席脑电图记录与多尺度排列熵分析的动态特性，”癫痫的研究，卷。104，没有。3，第246-252，2013。查看在：出版商网站|谷歌学术搜索
14. J.李，闫J.，X.刘和G.欧阳，“使用排列熵来衡量时失神发作的脑电信号的变化，”熵，卷。16，不。6，第3049-3061，2014。查看在：出版商网站|谷歌学术搜索
15. 曾科，欧阳刚，陈海华，顾玉英，刘旭东，李旭东，“基于时空排序熵的癫痫失神发作脑电动力学特征研究”，中国神经科学，2018，(6):763 - 763。Neurocomputing， 在新闻。查看在：出版商网站|谷歌学术搜索
16. N. Nicolaou和J. Georgiou，“基于排列熵和支持向量机的癫痫脑电图检测”，专家系统与应用第39卷第3期1, pp. 202-209, 2012。查看在：出版商网站|谷歌学术搜索
17. “基于小波变换和脑电的癫痫发作检测算法研究”，国家自然科学基金项目，项目项目:普罗斯一体，第12卷，第2期3、文章编号e0173138, 2017。查看在：出版商网站|谷歌学术搜索
18. S. M. Haas, M. G. Frei和I. Osorio，《适应自动扣押检测算法的策略》，医学工程物理学，卷。29，不。8，第895-909，2007年10月。查看在：谷歌学术搜索
19. A. Shoeb, H. Edwards, J. Connolly, B. Bourgeois, S. Ted Treves, and J. Guttag，“患者特异性癫痫发作检测”，癫痫和行为，卷。5，不。4，pp。483-498,2004。查看在：出版商网站|谷歌学术搜索
20. A. Shoeb和J. Guttag，“机器学习到癫痫发作检测中的应用”，在机器学习，ICML 2010第27届国际会议论文集，pp。2010年6月975-982。查看在：谷歌学术搜索
21. 陈东，欧阳刚，刘旭东，“基于EEMD-ICA的多变量神经数据伪干扰抑制方法”，“基于EEMD-ICA的多变量神经数据伪干扰抑制方法”，神经系统与康复工程学报，卷。24，不。6，pp。630-638,2016。查看在：出版商网站|谷歌学术搜索
22. C. Bandt和B. Pompe，《排列熵:时间序列的自然复杂性度量》，物理评论信第88期十七、2002年第174102条。查看在：谷歌学术搜索
23. W. S. Rayens，《判别分析和统计模式识别》，皇家统计学会杂志第168期3，页635-636,2005。查看在：出版商网站|谷歌学术搜索
24. N. mamone, D. Labate, A. Lay-Ekuakille，和F. C. Morabito，“利用脑电图时空规律性测量分析失神发作的发生”，国际神经系统杂志第22卷第2期6、Article ID 1250024, 2012。查看在：谷歌学术搜索
25. X. Li, S. Cui, L. J. Voss，“使用排列熵测量七氟烷的脑电图效应”，麻醉学，第109卷，第2期。3，页448-456,2008。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2017新忠卓等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。