基于EEGLAB对癫痫样脑电信号处理应用研究＊

鞠 祥

(南京中医药大学人工智能与信息技术学院，江苏 南京 210023)

0 引言

根据世界卫生组织最新报告，全球癫痫患者约有5 千万，其中80%来自中低收入国家。而中国目前大约有癫痫患者一千万。癫痫的发病机理现在尚无定论，且亚型众多，这为癫痫的理论分析和临床诊断带来了很大的挑战。脑电图（EEG）是癫痫临床重要检查手段之一，它能够为癫痫发作提供独特的临床证据，与其他功能学影响相比具有不可比拟性。脑电信号是脑神经细胞电生理活动在大脑头皮的总体反映，因此，EEG 在对癫痫患者发作规律分析评估中占据核心地位。

EEGLAB 是基于MATLAB 具有图形用户界面的的工具箱，通过图形化界面，方便用户进行信号处理，便于直观分析。同时提供包括独立分量分析在内的多种方法处理高密度EEG数据。

本文的研究内容是针对癫痫发作间期，患者EEG中产生的癫痫样瞬变进行检测，目前与武汉儿童医院合作采集有11 名癫痫患者的癫样放电数据。对此，本文运用EEGLAB 对这些脑电信号进行数据分析和预处理工作。

1 EEGLAB特点和功能

EEGLAB 是一种基于MATLAB 的工具箱，为专门从事神经信号研究的开发人员提供了一个可扩展的开源平台。它提供了一个结构化的编程环境用于处理连续和事件相关的EEG 数据，还包括MEG 在内的其他生理性数据，可以在Windows、Unix、Linux多个操作系统平台上使用。

EEGLAB 支持多种格式数据导入，包括本文实验采集的EDF 格式，它具有高密度数据滚动的功能，对大脑皮层呈现的高密度和动态数据可以有效地处理。其具体工作方式是用图像的形式把那些瞬间的脑电信号记录下来并且展示给用户。主要功能包含数据导入，数据预处理（过滤、重引用、重采样数据），去除伪迹，绘制ERP图像等。

2 相关知识和方法

2.1 癫样放电信号

癫痫发作间期，患者EEG 中产生的癫痫样瞬变或棘波称为发作间期癫痫样放电，简称为IED。典型的IED 包含，发作间期的20-70ms 并伴随100ms 慢波的大幅棘波，100 或300ms 快速尖波，爆发性棘波，反复发作的阵发性慢波等。IED对于确诊癫痫、区分癫痫发作类型、识别轻微痫性发作，以及癫痫病灶定位都是具有重要价值的。

在治疗癫痫时，众多检测方法中，EEG 是一种最常用的生理监测的工具。EEG 信号可以清晰地将患者不同时刻的脑部活动可视化展示出来。目前常用的临床功能信号按照采集方式可以分为两种：侵入式和非侵入式。侵入式需进行开颅手术放置电极模板或探针，最典型的是ECoG。非侵入式脑功能区成像具有无创性、可多次重复操作等优点，包含头皮EEG功能磁共振(fMRI)等方法。

其中由于价格低廉且技术成熟，EEG 的临床使用率最高。主要分为颅内EEG 和头皮层EEG。颅内EEG 信号特点是相对纯净，虽然能较好地反应出脑内细胞的电活动，但是其成本比较高。头皮EEG 采集方法是将电极放在患者头皮上，采集的信号没有颅内EEG 的纯净度高，易采集到肌电、眼电信号等噪声信号。因此，需要对头皮EEG进行降噪处理。

EEG 信号能够比较好的反映出大脑内细胞的活动状态，最直观的就是可以可视化的显示出脑电波形、频率和幅度，这其中包含了大量的生理以及活动信息。此外，信号中所包含成分也很多，其波形成分如表1所示。

表1 脑电波形图成分

2.2 独立分量分析

独立分量分析在信号处理方面被广泛应用，可以用于移除嵌入数据中的伪迹（如肌肉、眨眼或者眼球运动），而不移除受影响的数据部分。将ICA引入脑电信号的预处理中，对多通道EEG 做ICA 处理，就可以将信号分成包含噪声与不包含噪声的独立分量。ICA主要是用于处理盲源分离问题，在不知道源信号和混合矩阵的任何信息条件下，只需要假设源信号是相互统计独立的，ICA 方法就可以从混合信号中将源信号分离出来，在实际研究中，独立性假设一般是合理的，因此ICA被广泛应用于众多领域。

独立分量分析算法的本质是在假设源信号统计独立的基础上，试图将一组随机变量表示成统计独立的变量线性组合，ICA 算法使得被分析信号各个组成部分之间的统计依赖最小化，从而突出了源信号的本质结构。

3 数据处理过程与结果

3.1 数据来源

本文数据来源于科研合作单位武汉儿童医院的11 名癫痫患者。患者数据的研究和使用通过伦理委员会的审查，伦理审批号为2022R034-E01。原始数据包含EDF格式数据，记录了癫痫患者脑电信号EEG 数据、通道数为43、采样率有1000Hz 与500Hz 等信息。EEG 是通过符合10-20 国际标准电极所采集的。Excel 标注文档中记录了每个癫痫患者的IED 起始时间，以及癫痫样瞬变的棘波类型。本文基于MATLAB和EEGLAB 对癫痫患者脑电信号进行读取和处理。各患者信息汇总见表2。

表2 癫痫患者EEG信息汇总

3.2 去除无关通道

本实验的EEG 数据通道数为43，但经过实验观察，可为实际研究IED 检测的相关通道为前19 个，故通过EEGLAB 基于MATLAB 去除无关通道，仅保留实际需要的包含癫样放电的通道。处理之后各通道波形图如图1。

图1 预处理后EEG波形图

3.3 过滤

实验对脑电信号进行滤波处理，采用Basic FIR filter。对数据进行带通滤波0.1-40Hz。过滤成功后在dataset1 基础上生成新EEG dataset2。过滤全过程见图2。

图2 MATLAB过滤处理过程

3.4 ICA分解

本文利用EEGLAB 对脑电信号进行ICA 分解，采用默认算法runica执行。该算法适合分析和总结大脑传导出的头皮脑电信号图，实验最终得到独立成分的头皮分布图。开始运行后，具体执行过程如下：

分解数据完成后，开始观察ICA 组件。绘制2-D Component Scalp Maps。识别出相关独立组件的类型需要一定经验。EEGLAB 中提供了ICLabel 插件，它能提供对每个独立组件（大脑、眼睛、肌肉等噪声）类型的估计，从而实现对独立组件可靠而准确的分类，可用于大规模研究。二维头皮组件图绘制见图3。

图3 ICA分解后二维头皮组件图

3.5 滑动窗口分割

完成上述通道选取、过滤、ICA 去伪迹等实验后，最后对数据进行滑动窗口分割操作。由于患者中存在500Hz 和1000Hz 不同的采样率。首先运用降采样的方法将1000Hz 数据降采样为500Hz。再采用滑动窗口算法进行分割。滑动窗口窗长设置为500ms，overlap设置为300ms，即每次向后滑动200ms的长度。滑动窗口程序执行时自动读取数据标注文件的IED起始时间，对每个片段进行切分。患者1 标注文件格式如图4所示。实验中设置滑动窗口窗宽为500ms,对应500Hz 的采样率，最终分割得到的每个EEG 片段采样点数为251，数据最终以.mat格式保存。

图4 标注文件格式

4 结论

EEGLAB 是一种先进的脑电分析工具，癫痫样放电是一种阵发性活动，与正常脑电信号有明显区别。应用EEGLAB 对癫痫患者癫痫样放电信号进行分析和处理具有优势。癫痫患者EEG 上通常可以检测到尖棘波、棘波节律、棘慢复合波、尖慢复合波和多棘慢复合波等癫痫样放电活动，这些脑电图信号是医生进行癫痫诊断的重要依据。本文介绍了EEGLAB 在脑电信号处理方面的具体应用，通过对真实采样的11名癫痫患者EEG预处理，详细展现了运用EEGLAB对脑电信号处理的过程，为后续深入研究患者发作期癫样放电信号检测创造条件，同时对相关领域研究者运用EEGLAB对脑电信号分析有一定参考价值。