[发明专利]基于EEG源成像的癫痫灶点粗定位方法

说明书

技术领域

本发明属于脑电分析领域，涉及一种新的癫痫灶点粗定位方法，尤其涉及基于EEG源成像的癫痫灶点粗定位方法，对于头皮脑电有良好的效果，该方法基于脑电信号的时频特征和形态特征，具有计算复杂度低的优点。

背景技术

癫痫是大脑神经元突发性异常放电，导致短暂大脑功能障碍的一种慢性疾病，由于其突发性和反复性，给广大患者带来极大痛苦。由于现有药物和手术等手段的局限性，一些顽固性癫痫患者得难以得到有效治疗。及早对癫痫发作进行预警，对于治疗方法的建立和患者生活质量的提高有重要意义。约有30％的难治性癫痫患者表现出抗药性，需要手术切除癫痫灶点或者使用电刺激抑制癫痫发作。

目前，临床诊断中癫痫灶点定位通常需集中神经内科和神经外科癫痫专家，结合患者的发作状态和多模态医学成像技术进行综合判断。人工癫痫灶点定位耗时耗力，依赖医生的经验。基于信息计算的EEG源成像技术可以推测头皮EEG活动的源信号，有望自动确定引发癫痫异常脑电的皮层可疑源灶点，为后续的精确定位缩小范围，辅助医生做出诊断。同时，sEEG为非植入式信号采集方法，也为病人减轻了痛苦和风险。

发明内容

本发明的目的是提供一种基于EEG源成像的癫痫灶点粗定位方法，该方法通过参数化癫痫动态信息进行源成像，能够对癫痫灶点位置做粗定位。

本发明方法通过以下步骤实现：

(1)脑电数据预处理：首先，将原始脑电数据通过带通滤波去除伪迹，选取有效频段进行分析和处理；其次，将数据进行分段，以便后续数据处理；

步骤(1)采用滤波器为2阶巴特沃兹滤波器(Butterworth)，滤波参数为1Hz-70Hz；数据分段采用滑动时间窗的方法，时间窗长度1秒，步长0.2秒。

(2)盲源信号分离：根据脑电信号的在时域和频域的特性，把步骤(1)处理得到的脑电信号数据段进行参数化，分离出独立成分；

步骤(2)中盲源信号分解采用独立成分分析(Independent Components Analysis，简称ICA)的方法，采集到的sensor空间的脑电信号通过独立成分分析方法，被转化为sensor空间的统计独立的信号源的线性组合。

盲源信号分离的主要操作如下：

第一步，对数据进行中心化，减少幅度不确定性，并保持数据区分度不变。中心化的计算表达式如下：

第二步，对中心化后的数据进行白化，目的是消除特征的直接相关性，降低输入的冗余性，具体做法是将原始向量乘以一个矩阵变成使得的协方差矩阵是I,即满足

具体做法是，首先进行特征值分解

E(xx^T)＝EDE^T

得到特征向量矩阵E和特征值矩阵D,然后计算计算表达式如下，

第三步，将白化后的数据做主成分分析(Principle Component Analysis),目的是降低数据特征维度，并去除噪声。做法是把数据的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使这m个特征互不相关。

第四步，求解出独立成分，即

有n个信号源s(s₁,s₂,…,s_n)^T,s∈Rⁿ,A是一个mixing matrix,x是观测到的信号，即

x＝As

在A，s均未知的情况下推断出s

为了解决这个问题，我们做出三个假设

1.观测信号数目m不小于源信号数目n，为了方便，取m＝n

2.源信号S的各个分量之间相互统计独立

3.源信号的各个分量最多只有一个高斯分布

设s＝A^-1x＝Wx,每个s_i有概率密度p_s,且各自独立，那么源信号的联合分布为

似然函数为

用梯度下降法等优化方法就可以求得W,进而得到s。

(3)癫痫成分选择：根据信号的时频特性选择与癫痫相关的成分

步骤(3)中采用了短时傅里叶变换(Short-time Fourier Transformation)和相关性，主要操作如下：

第一步，用短时傅里叶变换计算已知癫痫通道信号的时频特征(time frequency representation,TFR)均值EEG-TFR，