0 概述

癫痫是一种常见的脑部疾病, 越来越多的人在长期忍受着其带来的巨大伤害。癫痫的发作具有突然性、反复性, 给患者及家属造成强烈的精神痛苦, 降低其生活质量^[1-2]。当癫痫患者的大脑活动出现异常时, 在记录的脑电信号中往往会出现异常的癫痫样放电, 包括棘波、尖波、尖慢复合波、棘慢复合波及高度节律失调特征波。棘波具有尖锐的波形, 多数会出现在大发作或者局限性发作癫痫中。尖波和棘波的机理相同, 时限长于棘波, 反映放电的同步化程度。尖慢复合波和棘慢复合波在不同部位或者时间出现时, 表明可能存在多个异常的电活动区。高度节律失调多发生在发作间期, 是一种异常的背景信号。目前, 这些异常信号的诊断仍由医生通过视觉观察, 根据长期的工作经验完成。这一工作不仅需要消耗医生大量的时间和精力, 且准确率低, 不同的医生难以达成一个共同判断的标准, 主观性强。因此, 自动识别癫痫脑电信号可以帮助医生减轻工作负担、辅助临床治疗, 具有重要的现实意义^[3]。

近年来, 脑电信号的识别研究多通过提取时域、频域、时频域、线性^[4]、非线性^[5-6]等特征, 来反映大脑从一种状态过渡到另一种状态的变化过程^[7]。文献[8]表明, 在大脑多个脑区相互作用的过程中, 发生同步现象导致癫痫发作。当癫痫即将发作时, 癫痫样放电开始通过患者大脑内部各个传导通路向周围的脑区扩散, 进而经过一些神经环路返回到放电开始的地方, 形成一个闭合回路。这种现象不停循环, 将正常状态时大脑的随机放电转变成持续有规律的节律性放电。这样的发作机制说明, 在发病过程中大脑各个脑区之间有一定的关联关系, 而上述特征并未充分考虑这种关联关系。因此, 通过同步化分析整个大脑, 更能真实反映在临床上癫痫发作时各脑区之间相互作用的变化情况。

常见的分析大脑功能连接强度的相位方法有基于相位锁定值(Phase Locking Value, PLV)方法和基于相位延迟指数(Phase Lag Index, PLI)方法。两者相比, PLV对于频率成分更加敏感, 可以更好地克服脑电产生过程中的容积效应^[9]。而癫痫发作不仅与不同脑区的神经活动有关, 也与人脑不同的节律波有关^[10]。因此, PLV更适合作为分析癫痫信号大脑功能连接强度的衡量指标。

目前已有一些研究使用PLV来分析常见神经退行性疾病患者不同状态时的大脑活动差异以及将病患者与正常人的大脑活动进行比较^{[8, 11]}。2015年, 文献[12]对心因性非癫痫患者和正常对照组通过PLV功能连接强度建立关联矩阵, 进而分析聚类系数和全局效率2种特征, 使用线性判别分析方法区分病患和正常对照组, 其准确率为85%。2016年, 文献[9]使用PLV通过复杂网络可视化的方式, 发现癫痫发作网络在不同频率波段中关键节点的部位和连接强度均有所差异。

这些研究使用PLV方法对癫痫患者不同状态下的大脑活动进行分析, 但是该方法对癫痫信号的识别能力尚不清楚。本文通过提取癫痫患者脑电信号的各个波段时间序列, 分析各波段下任意2个通道之间的相位同步性, 构建癫痫患者在发作间期与发作期2种不同状态下的功能连接网络。提取全局聚类系数和特征路径长度作为分类特征, 输入支持向量机(Support Vector Machine, SVM)进行模型训练, 进而识别患者在不同状态下的脑电信号。对比二值网络与加权网络对信号识别的影响, 比较各频段信号在分类效果上的差异, 以此分析利用PLV构建复杂网络识别癫痫信号的可能性。

1 网络构建及特征提取 1.1 数据及预处理

本文使用来自美国波士顿儿童医院的癫痫数据库, 共包含24名患者(编号1~编号24)的数据, 这些患者在实验前都停止使用抗癫痫药物。头皮电极采用国际通用的10/20系统放置法, 采样频率为256 Hz。收集的每段数据都经过专业医生依据经验标注癫痫发作开始与结束时间。在信号采集过程中易受噪声干扰, 患者也会出现肌肉运动、眼球运动和眨眼等行为, 导致在原始信号中出现部分干扰幅值。因此, 使用50 Hz陷波滤波器去除工频噪声, 采用截止频率为1 Hz~60 Hz的带通滤波器去除高频信号。每个患者分别选取长度为1 s的若干发作期和发作间期片段, 通过EEGLAB工具箱从预处理过的信号中依次提取delta(1 Hz~4 Hz)、theta(4 Hz~8 Hz)、alpha(8 Hz~13 Hz)、beta(13 Hz~30 Hz)、gamma(30 Hz~60 Hz)5个频段的成分。

1.2 相位同步性分析

相位同步可以用来描述2个时间序列之间的关系, 通过分析相位同步可以发现大脑不同脑区间的同步化程度^[13]。PLV是常见的度量网络功能连接强度的指标之一, 其值计算如下:

$ \mathit{PLV}(t) = \frac{1}{N}\left| {\sum\limits_{n = 1}^N {\exp } \left( {{\rm{j}}\left( {\Delta {\varphi _n}(t)} \right)} \right)} \right| $

(1)

其中, $\Delta {\varphi _n}(t) = {\varphi _x}(t) - {\varphi _y}(t)$表示2个时间序列在t时刻的瞬时相位差, N为时间序列的时间点个数。由式(1)可知, PLV取值范围为[0, 1], 并且其值越大, 则2个信号间的同步化程度越高。

1.3 功能网络构建

构建二值网络需要确定节点和边, 而构建加权功能网络需要确定节点、边以及边的权重。本文将各个通道作为节点, 用PLV计算2个通道的功能连接, 若PLV值不为0, 则这2个通道之间存在一条边, 且PLV值就是其权重^[14]。若是二进制网络, 则需要选取一定的稀疏度, 将PLV关联矩阵转换成二值邻接矩阵。本文二进制网络的稀疏度选取原则是在保证网络连通性的情况下, 每个频段选取其最大阈值(即大于该值, 则会出现孤立点, 此时特征路径长度将会出现无穷大), 然后在所有阈值中取最小值, 即为整个网络的连通阈值。

1.4 网络属性提取

本文将聚类系数C、特征路径长度L 2种全局属性作为衡量网络的指标(训练特征), 利用SVM使用六折交叉验证的方式进行分类。

聚类系数C指网络中各个节点间的聚集程度, 用来衡量网络的信息传输能力^[15]。对于二值网络, 节点i的聚类系数C_i定义如下:

$ {C_i} = \frac{{{E_i}}}{{\left( {{k_i}\left( {{k_i} - 1} \right)} \right)/2}} $

(2)

其中, k_i是节点i的度, E_i是节点i的k_i个相邻节点之间实际存在的边数。则式(2)的分母是所有节点间可能存在的最大边数。该网络的聚类系数C为所有节点聚类系数的平均值。

对于加权无向网络, 需要考虑节点i与其相邻节点之间边的权值影响, 其聚类系数$\tilde C$_i定义如下:

$ {{\tilde C}_i} = \frac{1}{{{k_i}\left( {{k_i} - 1} \right)}}\sum\limits_{j, k} {\frac{{{w_{ij}} + {w_{ik}}}}{{2 < {w_i} > }}} {a_{ij}}{a_{ik}}{a_{jk}} $

(3)

$ < {w_i} > = \frac{{\sum\limits_j {{w_{ij}}} }}{{{k_i}}} $

(4)

其中, 节点j和k是节点i的邻接节点, a_ij=1代表节点i和节点j之间有边, 否则a_ij=0。a_ik、a_jk的含义以此类推, w_ij表示节点i和j之间边的权值。

特征路径长度L定义为任意2个节点之间的距离的平均值^[16], 对于无权网络其计算如下:

$ L = \frac{1}{{\frac{1}{2}N(N - 1)}}\sum\limits_{i \ge j} {{d_{ij}}} $

(5)

其中, d_ij表示节点i和j之间的最短路径上的边的数目。若是加权网络, d_ij表示节点i和j之间最短路径对应的权值。

2 实验结果与分析 2.1 PLV关联矩阵及属性分布

根据计算得到的PLV, 对每个样本构建功能连接的关联矩阵。以1号患者被测试的gamma频段为例, 其包含23个通道的信号, 因此可以得到23×23的PLV关联矩阵, 其矩阵图如图 1所示。从图 1可以看出, 发作间期的脑功能网络连接强度明显要高于发作期。对关联矩阵构成的加权网络进行t检验, 结果为p=0.009(p < 0.05), 因此, 可以判定发作间期和发作期的加权网络存在显著差异。其他频段也具有类似的结果。

图 2为在加权网络中各个频段2种属性分布的盒形图。

从图 2可以看出, delta、theta和alpha 3个频段的属性值分布比较接近, beta和gamma 2个频段的属性范围比较接近。无论是发作间期还是发作期, 聚类系数C都会随着频段范围的增高而降低, 特征路径长度L则呈现相反的变化趋势。

2.2 分类结果对比

图 3为对各个患者使用所有频段的C和L进行六折交叉验证后得到的准确率。从图 3可以看出, 就单个患者而言, 其最高准确率达到96.18%, 并且83%患者的准确率都超过80%, 其中二值网络的平均准确率是77.15%, 而加权网络的平均准确率却达到83.4%。几乎所有患者的加权网络准确率都高于二值网络的准确率, 并且在部分患者上表现出较大的差距(如14号、23号)。上述结果表明, PLV加权网络能更好地反映癫痫患者各脑区间在不同状态下的相位同步差异。因此, 之后的实验选择加权网络来进行研究。

2.3 属性分类结果对比

图 4为分别使用聚类系数C和特征路径长度L进行六折交叉验证后所得准确率。

聚类系数C的平均分类准确率是79.22%, 而特征路径长度L的分类准确率为80.07%。显然, 这2种属性在发作间期与发作期的识别效果上表现几乎一致。但与图 3中同时使用2种属性作为训练特征相比, 其效果还要差一些。这说明单一属性难以全面反映癫痫患者2种状态下的功能网络连接差异。

2.4 各波段分类结果对比

表 1是将聚类系数和特征路径长度同时作为训练特征, 对各频段单独分类所得的结果。

从表 1可以看出, 同一患者在不同频段上分类表现差异较大, 不同患者在同一频段上也表现出不同的效果。其中最高准确率为96.7%, 最低却只有58.54%。从最优准确率所分布的频段来看, 有11位患者在gamma频段分类效果最佳, 8位患者在beta频段分类效果最佳, 4位患者在delta频段分类效果最佳, 1位患者在theta频段分类效果最佳。上述结果表明, 在癫痫发作时各患者、各频段大脑活动都存在明显差异, 且多数患者在gamma和beta频段获得较高的分类准确率。这与发病时患者所处的状态(如睡眠、压力)、癫痫类型、病灶位置等有较大的关系。

2.5 对比实验

在数据集中包含完整头皮脑电信号数据的共有17名患者, 本文使用排列模糊熵和模糊熵在相同的实验条件下对其进行了发作间期与发作期的信号识别实验^[17]。本文使用AUC指标来对比SVM分类结果的优劣, AUC为ROC曲线下面积, 其值越大, 表示分类表现越优。通过表 2将本文实验所得AUC值与之前实验相比。从表 2可知, 17名患者的模糊熵和排列模糊熵的平均AUC分别是0.914、0.928, 而本文实验平均AUC是0.925。大量的研究已经证明, 熵在癫痫的信号识别上已经表现出较高的稳定性和区分能力, 而本文实验结果说明, 复杂网络的方法在区分癫痫发作期与发作间期的能力上, 并不亚于熵这一类非线性方法, 且这种分析方法更符合癫痫的发病机理。

3 结束语

本文构建脑功能网络连接矩阵, 提取合理的网络属性作为训练特征, 利用SVM进行六折交叉验证, 达到信号识别的目的。从网络的权重、属性、信号频段3个角度依次分析其在分类效果上的影响。实验结果表明, 加权网络的分类效果较优, 聚类系数和特征路径长度在分类表现上差异不大, 多数患者在gamma和beta频段取得比其他频段更好的分类效果。下一步将分析患者的发病类型、病灶位置等对分类结果的影响, 提高分类精度。