基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病，对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史，并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。     

基于时频分析的EEG信号分析处理方法研究进展

由于脑电信号(EEG)是典型的非平稳时变信号，因此时频分析方法比较适用于分析和处理EEG信号。本在简要介绍时频分析的发展及主要方法的基础上，综述了时频分析方法在EEG信号分析处理中的应用及研究进展，并对现存的问题作了探讨。     

基于时频分析的EEG信号分析处理方法研究进展

由于脑电信号(EEG)是典型的非平稳时变信号,因此时频分析方法比较适用于分析和处理EEG信号。本文在简要介绍时频分析的发展及主要方法的基础上,综述了时频分析方法在EEG信号分析处理中的应用及研究进展,并对现存的问题作了探讨。     

1560例老年人癫痫的EEG、BEAM分析

对1560例老年人癫痫(EP)进行了脑电图(EEG)、脑电地形图(BEAM)及病因的分析。原发性EP(540例.34.6％)EEG以轻、中度弥漫性异常为多见,BEAM为弥漫性慢波功率级别增高,α波功率级别减低,继发性EP(1020例,65.4％)EEG以局灶性慢波增多或弥漫性慢波节律为主。BEAM以局灶性慢波功率级别增高、两半球相对应区明显不对称。及α功率级别分布异常为突出表现。903例加作了蝶骨电极检查。脑波绝大多数与常规电极相同,仅在极少数人中见有痫性放电,慢波增多为老年人EP的主要表现。痫性放电极少见。     

基于AR模型和Lempel-Ziv复杂度的癫痫发作预报

目的 癫痫是由多种病因引起的慢性脑功能障碍综合征,及时的发作预报,对于建立新的治疗方法和改善患者的生活质量有着至关重要的作用.目前大部分脑电分析算法存在计算速度慢、适应性差等问题,无法满足癫痫脑电发作预报的要求.方法 本文应用自回归模型对脑电信号进行特征提取,支持向量机（support vector machine,SVM）作脑电各个时期分类器,并与Lempel-Ziv复杂度分析计算相结合,准确识别发作前期,以实现癫痫的发作预报.结果 应用弗莱堡大学数据对上述方法的有效性进行验证.仿真结果表明,该方法得到的发作漏检率、误报率较低,预报提前时间较长.结论 将AR模型和Lempel-Ziv复杂度相结合,对癫痫发作预报的实现,有一定参考价值和意义.     

BECCT的BEAM与EEG的对比

对４６例ＢＥＣＣＴ的ＥＥＧ及ＢＥＡＭ表现进行了对比，发现ＥＥＧ在中央─颞区有阵发性尖波者，临床发作为单侧面颊部抽动，ＢＥＡＭ显示放电多在中央区形成最高电位，并以此为中心向周围附近传播，不波及其它区域；而ＥＥＧ表现为额─中央─颞区频发尖波者，临床发作常常为全身性运动性发作或发作始于双上肢，ＢＥＡＭ则显示放电于前额区形成最高电位，并以此为中心向中央区、前颞区及顶区传播。     

大鼠癫痫模型脑电信息的非线性分析

为了探索应用非线性动力学理论进行癫痫疾病预报的新方法，采用非线性动力学指标：近似熵和相关维对大鼠癫痫发作过程的整个脑电信号进行分析研究。结果显示癫痫发作时，脑电信号的近似熵和相关维明显低于发作前和发作后，这表明了癫痫发作过程脑电信号复杂度的变化规律；而癫痫发作前又是一特殊的阶段，其脑电信号的复杂度已开始降低，但发作症状尚未出现。因此运用非线性动力学方法对癫痫发作至少在短期内可预报。     

工程技术方法在癫痫研究中的应用现状及问题

癫痫是常见的慢性神经疾病，以大群神经元的异常同步性过度放电为特征。这些异常放电可以反映到脑电记录中，使得工程技术方法在癫痫研究中有了用武之地，如在诊断、定位、发作预报以及发作控制等方面，但都或多或少地存在一些问题。为此，我们对工程技术方法用于癫痫研究的现状进行了阐述，指出存在的根本问题是发作机制不明和忽视脑电慢波，在今后的研究工作中应引起足够的重视。     

24h脑电监测对癫痫的诊断价值

利用磁带记录２４ｈ脑电监测系统（ＡＥＥＧ）观察９２例临床诊断为癫痫的患者。结果：异常率为８７％，痫样放电率为８０％，临床发作出现率为２５％，均高于常规ＥＥＧ。痫样放电发生在睡眠中多于清醒时，痫样放电检出率与临床发作类型、发作频率、年龄、描记时距末次发作的时间有关。     

长期脑电中癫痫波自动检测方法

长期记录的数字脑电图中癫痫波的目测检查需消耗医师大量的精力和时间，在临床上有使用计算机辅助自动分析的需要。本对已有的脑电癫痫波的检测方法进行了整理概述和分析，作为探寻适宜临床应用的癫痫波检测算法的基础。     

Prediction of epileptic seizures from two-channel EEG

Multivariate spectral estimation based on parametric modelling has been applied to epileptic surface EEG in order to detect EEG changes that occur prior to the clinical outbreak of the seizure. A better time/frequency resolution has been achieved using residual energy ratios (Dickinson’s method). Prediction of oncoming seizures was based on detection of increased preictal synchronisation by calculation of coherence and pole trajectories. The method has been tested on simulated EEG data and on real EEG data from patients with primary generalised epilepsy. Prediction times of 1–6 s have been found in several seizures from five patients.     

儿童失神癫(癎)脑电图的多尺度特征

目的:研究儿童失神癫癎脑电图的多尺度定量特征。方法:对15例失神癫癎患儿10次临床发作和20次亚临床癎样放电的脑电图进行子波分析,提取失神癫癎发作过程中脑电信号的多尺度定量典型特征,与发作前10 s及发作后10 s的脑电信号进行比较,并与12例正常同龄儿童脑电图进行比较。结果:研究显示儿童失神癫癎发作过程中脑电信号的多尺度典型特征主要表现为12尺度(对应频率3 Hz)的节律性活动显著增强,发作时20尺度(低频大尺度,对应频率0．12 Hz)结构与频率3 Hz的结构具有非正常的跳跃式尺度关系,3 Hz节律性棘慢复合波与大尺度(频率1 Hz以下)背景低频放电结构共同存在。发作过程中分尺度功率主要集中在20尺度和12尺度,其演变规律为20尺度能量逐渐减低,12尺度能量逐渐增加。10次临床发作的脑电信号均显示上述特征。发作前10 s和后10 s的脑电多尺度信号中仍然存在隐性的3 Hz棘慢复合波成分,与一般认为3 Hz棘慢复合波突起突止不同．而从传统的脑电图上无法分辨出发作前后的这些多尺度细节的定量特征。亚临床癎样放电的多尺度特征与发作期无明显差别,但持续时间短。结论:子波分析作为一种新的信号分析方法,适合于脑电信号的分析,可以获得比传统视觉脑电图更多的定量信息。通过对失神癫癎患儿的脑电信号进行子波分析,得到其发作过程中典型的多尺度定量特征,有助于失神癫癎发作的临床辅助诊断、预后评价以及神经电生理机理的基础研究。     

Application of wavelet-based similarity analysis to epileptic seizures prediction

Epileptic seizures prediction is an interesting issue in epileptology, since it can promise a novel approach to control seizures and understand the mechanism of epileptic seizures. In this paper, we describe a new method, called wavelet-based nonlinear similarity index (WNSI), to predict epileptic seizures using EEG recordings in real time. This method combines wavelet techniques and nonlinear dynamics. The test results of EEG recordings of rats and humans show that WNSI can track the hidden dynamical changes of brain electrical activity. Particularly, we found that it can obtain the best performance of seizure prediction at the beta (10-30 Hz) frequency band of EEG signals. A possible reason is suggested from the functional connectivity of the brain. In terms of this study, it is recommended that wavelet technique is very useful to improve the performance of epileptic seizures prediction.     

Automated EEG signal analysis for identification of epilepsy seizures and brain tumour

Abstract

Electroencephalography (EEG) is a clinical test which records neuro-electrical activities generated by brain structures. EEG test results used to monitor brain diseases such as epilepsy seizure, brain tumours, toxic encephalopathies infections and cerebrovascular disorders. Due to the extreme variation in the EEG morphologies, manual analysis of the EEG signal is laborious, time consuming and requires skilled interpreters, who by the nature of the task are prone to subjective judegment and error. Further, manual analysis of the EEG results often fails to detect and uncover subtle features. This paper proposes an automated EEG analysis method by combining digital signal processing and neural network techniques, which will remove error and subjectivity associated with manual analysis and identifies the existence of epilepsy seizure and brain tumour diseases. The system uses multi-wavelet transform for feature extraction in which an input EEG signal is decomposed in a sub-signal. Irregularities and unpredictable fluctuations present in the decomposed signal are measured using approximate entropy. A feed-forward neural network is used to classify the EEG signal as a normal, epilepsy or brain tumour signal. The proposed technique is implemented and tested on data of 500 EEG signals for each disease. Results are promising, with classification accuracy of 98% for normal, 93% for epilepsy and 87% for brain tumour. Along with classification, the paper also highlights the EEG abnormalities associated with brain tumour and epilepsy seizure.     

癫癎发作前期脑电变化特征分析

目的 :探讨癫临床发作前期的脑波变化特征。方法 :采用Video -EEG监护系统对 82例癫患者进行脑电和行为监测 ,监护系统自动记录发作时的行为表现及脑电变化。结果 :82例中共监测到 16例临床发作 ,发作期脑波被大量肌电干扰不易分辨 ,发作前期脑波有如下几种表现 :①背景波先变为低幅快波 ,波幅渐升高 ,或背景为低幅慢波 ,发作前 5～ 14秒内波幅升高频率增快 ,但仍为慢波 ;②发作前背景节律变慢 ,波幅升高 ;③发作前背景节律不变 ,仅波幅明显升高 ;④出现样放电波形。结论 :癫发作前脑波频率增快或波幅升高 ,应视为与癫发作有密切关系的现象。     

基于递归定量分析的癫(癎)脑电研究

目的 从非线性动力学的角度出发来分析正常脑电EEG与癫(癎)脑电的区别,提出利用递归定量分析方法对两种不同脑电信号进行定量分析.方法 首先在递归图原理基础上,利用符号动力学方法改进为排序递归图;然后利用递归定量分析方法(recurrence quantification analysis,RQA)量化参数——平均对角线长度;最后分别对16组正常人与癫(癎)患者的脑电信号的α波用排序递归图定性法分析不同脑电的动力特性,再用递归定量分析来量化参数.结果 癫(癎)患者的脑电信号的排序递归图规律性更强,表示癫(癎)患者的脑电信号确定性更强.结论 利用递归定量参数可以完成对癫(癎)脑电的检测.     

颅内电极对额叶癫癎发作症状的定位研究

目的：探讨额叶癫癎（FLE）各种发作期症状的可能产生部位。方法：回顾性分析2005—2007年在我中心接受颅内电极植入手术和癫癎灶切除术的FLE患者资料,Engel评分在Ⅱ级以上的18例患者,按发作的时间过程分解各次发作的症状学特征,分析同期皮层电图的放电部位,确定症状－解剖部位之间的相关性。根据颅内电极发作期放电的起始部位切除癫癎起源灶。结果：18例患者颅内V-EEG共监测到77次发作（每例1～18次）。额叶背外侧及运动区起始的发作期多数表现为棘波节律发放,但4例以躯体自动症开始的发作者显示为一侧额极的慢波活动;1例以发声开始的发作者皮层电图表现为弥漫性电压下降,而后出现一侧额极、中央前回棘波节律及双侧辅助运动区慢波,伴局部阵挛和躯体自动症。结论：颅外EEG对发作起源仅能给出初步的提示,精确定位需要应用颅内电极。早期和中期的发作症状,涉及的区域多数为解剖学的功能分区,晚期的发作症状,常涉及的是功能分区的临近部位。症状起源区和解剖学功能分区有比较高的符合率,症状学分析能够对癫癎灶定位有提示意义。     

老年人迟发性癫Xian发作的临床及脑电图分析

目的：探讨老年人迟发性癫Xian发作的临床及脑电图特点。方法：回顾性分析80例老年人迟发性癫Xian的临床及脑电图资料。结果：癫Xian发作的可能因为脑血管病41例（脑梗死30例、脑出血11例）,脑肿瘤19例,脑外伤4例,脑萎缩8例。癫Xian发作的类型为全身强直阵挛发作48例;强直阵挛发作持续状态2例,失神发作6例,单纯运动性发作17例,单纯体感性发作7例。脑电图正常7例,异常73例。异常脑电图主要表现为弥漫性慢波活动22例,局限于一侧半球的慢波活动34例,散在或阵发性棘波、尖波或棘慢、尖慢综合波49例。结论：脑血管病（脑梗死、脑出血）、脑肿瘤是老年迟发性癫Xian发作的主要原因。癫Xian发作以全身强直阵挛发作为主。脑电图异常率高,主要表现为在弥漫性慢波活动基础上出现癫Xian样放电。