基于脑电信号的耳鸣识别算法研究

2018-07-19郭婷仪李素芳钟桂仙曾佳璇周酥

科技传播 2018年13期

郭婷仪李素芳钟桂仙曾佳璇周酥

摘要目的：研究耳鳴患者的脑电信号特征，利用生物信号处理的方法对耳鸣患者的脑电信号与正常人脑电信号进行分类识别，为临床诊断耳鸣疾病提供一种辅助手段。方法：首先，利用小波变换消噪算法在Matlab 7.0平台上对颞叶区静息态脑电信号进行预处理；然后对脑电信号进行EMD分解，提取对应IMF分量的能量作为特征值；最后采用SVM分类算法对患者与正常被试者的脑电信号进行分类识别。结果：利用19例静息态脑电信号对算法进行验证，其中有11例正常被试者的脑电信号被识别出来，3例患者的脑电信号被识别出来，总识别率达到73.68%。结论：颞叶区静息态脑电信号与耳鸣疾患之间有一定的关联性，可以依据脑电信号来识别耳鸣疾病，对临床诊断具有一定的辅助作用。

关键词耳鸣；脑电信号；小波变换；EMD；SVM

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）214-0105-03

耳鸣是在外界没有相应声源或电刺激存在的情况下，患者主观感觉耳内或者颅内有声响的现象。耳鸣是一种常见的临床症状，其发病率呈逐年上升的趋势，耳鸣常伴有烦燥、睡眠质量差、注意力难以集中等症状。因此，借助医疗技术来辅助诊断耳鸣病例和监测耳鸣治疗效果具有重要的临床意义。

目前，耳鸣的病因与诱因尚不明确，主要根据患者的病史、症状、听觉系统的测试、影像学检查、评估量表和心理声学评估等进行临床诊断与分析，由于耳鸣的产生和延续与患者的心理因素有密切关系，所以在临床中缺乏客观检测和评估耳鸣的方法，临床中的主观判断可能为耳鸣确诊带来误差。文献表明，中枢神经系统特别是大脑皮层与耳鸣的产生和维持有关。因此，利用脑电信号（EEG）来分析耳鸣疾患具有一定的研究依据。具有多分辨率的小波变换是分析非平稳信号时频局化的有效方法；经验模态分解（Empirical Mode Decomposition， EMD）对于分析非线性、非平稳的EEG具有较明显的优势。本文根据EEG的特点，采用小波变换去除EEG中的眼电伪迹，再利用EMD算法提取脑电信号的特征，构建特征值表作为支持向量机（Support Vector Machine，SVM）的输入，利用SVM分类器识别正常与患者的脑电信号。算法流程图如图1所示。

1 脑电信号预处理

本文研究对象为耳鸣病程1个月以上的持续性耳鸣患者，脑电数据来源于中山大学孙逸仙纪念医院耳鼻喉科，共39例静息态脑电信号，其中包括患者13例，正常被试者26例，年龄18～56岁，所有被试者在检测前签署了知情同意书，所有患者已在临床确诊为耳鸣。设备为便携式64通道脑电测量仪，采样频率1kHz，根据大脑皮层功能分区筛选出10导数据，主要分布于负责听觉功能的颞叶区。

原始信号中含有明显的眼电干扰，利用小波消噪技术对原始信号进行预处理，方法如下：选取sym5小波作为小波基函数，对信号进行7层分解；然后运用局部阈值法处理含噪信号的各子频带；最后重构出处理后的信号，结果如图2所示，图中显示幅值明显的眼电噪声得到较好地抑制，且去噪后信号最大限度地保留了原始信号的有用成分。

2 脑电信号特征提取

经验模态分解（EMD）是用于处理非线性和非平稳信号的一种分析方法。EMD分解算法基于一个假设：

3 基于SVM分类模型的耳鸣识别

SVM是一种有效地实现有序风险最小化的模式识别方式，也是基于小样本的一种学习方法，SVM克服了BP网络过学习、欠学习及训练需要大量数据样本的缺点，即使训练样本数量很少也能进行训练并可获得良好的分类。

SVM的基本思想：在某特征空间中找到一个最优的分类超平面，使得不同的训练集正确分开，且要求到超平面距离最近的不同样本集之间的间隔最大，从而达到最大的泛化能力。线性可分的最优分类超平面如图6所示，其中实线为决策面将不同样本分开，虚线是距离决策面最近且平行于决策面的点，支持向量为两虚线的间隔最大时虚线上的点。SVM是最优超平面和二次规划等技术相结合的方法，且泛化能力较强、鲁棒性较好，从而使误差非常小，较好解决实验数据量不足、非线性和多维数据等问题。