基于相位同步与线性判别分析的AD患者脑电特征识别研究

基于相位同步与线性判别分析的 AD患者脑电特征识别研究

汪露雲

杭州职业技术学院信息工程学院，浙江 杭州 310018

摘要：脑电信号作为一种新型的生物特征在不可窃取性、不可伪造、必须活体等方面具有独特的优势，能为身份识别提供更安全的生物识别方法。本文提出一种基于脑电的相位同步特征识别方法，提取相位同步特征对阿尔兹海默症患者与正常被试进行分类。利用相锁值对不同频段的相位同步特征进行量化，随后利用线性判别分析构造投影空间并在投影空间上投影，最后进行分类。实验结果表明，该方法有较高的分类准确率和较好的稳定性。从结果中发现，β和γ频段分类准确率高达97%。研究表明基于相位同步与线性判别分析的分类方法为阿尔兹海默症的早期诊断提供依据，为未来探索有效的阿尔兹海默症治疗手段奠定基础。

关键词：EEG；阿尔兹海默症；相位同步；线性判别分析

0. 引 言

阿尔兹海默症(Alzheimer’S Disease，AD)是一种起病隐匿且不可逆的神经系统退行性疾病。世界阿尔兹海默症2018年报告显示：阿尔兹海默症在致老年人死亡的疾病中排在第四位，2018年全球约有5000万人患有痴呆，2030年预计增加到8200万人，预计2050年将达13150万人次，中国的阿尔兹海默症患者人数已居世界第一。因此，对阿尔兹海默症的正确诊断，尤其对其早期阶段的轻度认知障碍做出正确的诊断治疗，对阿尔兹海默症的预防、早期发现与干预治疗起到了至关重要的作用。

针对阿尔兹海默症方面的研究，国内外的研究人员已经做了很多相关的工作。Zhu X等提出了基于相似矩阵的损失函数的AD识别方法，把MRI、PET脑图像数据分割成若干个区域，并结合脑脊液数据组合成向量特征，利用相似矩阵法提取相关特征，并且用SVM进行分类，分类准确率达95.9％^[2]。Wang R等为研究AD脑电同步性，分别采集了被试在不同状态下的脑电信号，发现AD患者的脑电同步性较对照组明显下降，尤其是额叶和顶枕区的θ和α^[3]。Chandran采集了健康青年人、健康老年人和AD患者在听觉任务刺激下的脑电信号，通过组间脑电功率谱比较，AD患者组13频段的功率最低，结果表明AD患者认知能力下降水平较生理老化严重^[4]。Liu等提出了一种基于高阶图形匹配特征选择的特征提取方法，并且SVM作为分类方法对阿尔兹海默症进行识别，其分类准确率达92.17％^[5]。唐进等人分析了38例NC、25例AD患者和42例早期轻度认知障碍（EMCI）被试静息态下的功能磁共振成像数据，并借助复杂网络理论分析了脑功能网络之间的差异，结果表明，与NC相比，AD患者的小世界属性有所下降，而EMCI组的小世界性质增强，分类准确率达80%^[6]。

影像学方法是AD诊断的常用方法，例如计算机断层扫描（CT），功能性磁共振成像(fMRI)，扩散张量成像(DTI），都为AD提供了越来越多的诊断工具，但是费用代价较高^[10]。脑电信号作为一种特殊的生物电信号包含了丰富的生理、病理信息，为临床脑疾病的诊断特别是早期诊断提供了有效手段。脑电特征分析作为AD早期辅助诊断方法，具有良好的敏感性与特异性。因此，本项目提出一种基于相位同步的脑电信号特征提取方法，利用线性判别分析分类器对阿尔兹海默症患者及轻度认知功能障碍患者的脑电信号进行分类，结果表明，基于相位同步的分类方法在阿尔兹海默症患者者和正常被试的脑电特征分类具有较高的准确率。

1 实验设计与数据处理

本实验共有两组实验对象，分别是正常对照组和阿尔兹海默症患者研究组。实验中，选取20例患有阿尔兹海默症患者作为研究组，20例正常被试作为对照组，均符合美国精神障碍诊断和统计手册中AD诊断标准。研究组平均年龄为（68.3±5.8）岁，对照组平均年龄为（66.3±3.8）岁。所有被试均在安静、清醒、闭目状态下采集脑电信号，采集时间不少于30min。使用16通道的G-tec设备在256Hz的采样频率下对被试的脑电数据进行采集(FPz, Fz, Cz, Pz, POz, AF3, AF4, F3, F4, T7, C3, C4, T8, P3, P4, EKG)，右耳耳垂作为所有电极的参考电极。记录中头皮阻抗控制在5 kΩ以内，电极帽是按照10-20国际系统构建。

为了减少噪声对伪迹的影响，对记录的EEG数据进行预处理，首先去除眼电EOG伪迹，接着对EEG数据进行参考转换以及滤波，带通滤波到2-47Hz。

2 实验方法

2.1相位同步分析

脑电相位同步^[7]是指对给定的连续EEG序列 进行希尔伯特变换得到 ，希尔伯特变换定义如下：

（1）

其中P为柯西主值。由此可以定义 的解析信号为：

（2）

其中 和 分别为信号 的瞬时振幅以及瞬时相位。瞬时相位可以计算为：

（3）

同理，可以计算信号 的瞬时相位 。

如果信号 和 的相位差满足：

（4）

且n、m为整数，则信号 和 称为 相位同步，通常实验中我们采用1:1相位同步。

考虑整个大脑区域不同频段脑电信号的相位同步，选择合适的时间窗口来计算特定频段的相锁值（Phase Locking Value, PLV），PLV计算如下：

（5）

其中 为信号 和 的瞬时相位差，N为信号长度。PLV值在0与1之间，1代表完全同步，0代表完全不同步。

选取M个通道两两计算PLV，构成对称的相位同步矩阵A。对角线上的值表示该通道本身的相位同步情况，数值为1。相位同步矩阵包含了不同脑电通道两两之间的相位关系以及脑电通道的空间信息。为了去除冗余信息，得到最佳的特征向量集，我们提取相位同步矩阵A的上三角矩阵

（6）

将 拉为一个列向量 ，作为脑电信号特征识别的相位同步特征。

基于相位同步与线性判别分析的阿尔兹海默症患者脑电特征识别流程图如图1所示。

图1基于相位同步与线性判别分析的阿尔兹海默症患者脑电特征识别流程图

3 实验结果分析

本文首先从每个被试的脑电信号中截取480s的数据，并且将所有被试的脑电数据滤波到θ(4-8Hz), α(8-13Hz)，β(13-30Hz), γ(30-40Hz)四个频段。为了分析阿尔兹海默症患者和正常被试的整个脑区的相位同步特征，本文以1s的时间窗口计算15个通道（排除EKG）的相位锁定值。实验中，每个被试480s的数据平均分成16个阶段，每个阶段有30s则有30个非重叠的数据段，每个数据段的PLV值可以计算为15×15的两两通道相关的上三角矩阵。30个非重叠的数据段，可以生成30个不同的上三角矩阵，因此把30个上三角矩阵进行叠加平均之后的值作为总PLV矩阵，再把PLV矩阵拉成一个列向量则为相位同步特征。

本文使用相位同步与线性判别分析分类算法对阿尔兹海默症患者和正常被试进行分类，每个被试具有480s数据计算的16个相位同步特征，随机选择其他的8个相位同步特征作为训练样本，剩余的另外8个相位同步特征则为测试样本。将测试样本在训练样本构建的LDA投影空间进行投影，最后将分类结果同实际结果进行比较，获得分类准确率。分类结果如表1所示。

表1. 阿尔兹海默症患者与正常被试分类结果

结果表明，脑电数据的相位同步特征都获得了较高的分类准确率和较好的鲁棒性，从表一可以看出，当脑电数据滤波到β和γ频段分类准确率高于θ和α频段的分类准确率，分类准确率高达97%。并且根据表中的标准差可以看出，分类结果有较高的鲁棒性，没有太大的偶然性差异。

4 总结

脑电信号的相位同步特性是个体大脑白质生理结构差异的反映，其中相位差经常用来估计神经传导速度和突触整合时间。本文利用脑电相位同步与大脑个体生理特征之间的关系，提取阿尔兹海默症患者与正常被试脑电信号四个波段的相位同步特征并且利用LDA进行分类。根据实验数据分析得到初步结论：β和γ频段的脑电数据的分类准确率高于θ和α频段的脑电数据，并且β和γ频段分类准确率高达97%以上，没有明显差异。实验表明，脑电的相位同步特征可以作为一种有效的生物特征，为阿尔兹海默症疾病的诊断与预测提供了有效途径，以便进一步深入研究和了解阿尔兹海默症患者的大脑活动提供更好的依据。

参考文献

1. World Alzheimer Report 2018.Alzheimer's Disease International,2018:1-12.

2. Zhu X , Suk H I , Shen D . A novel matrix-similarity based loss function for joint regression and classification in AD diagnosis[J]. NeuroImage, 2014, 100:91-105.

3. Wang R , Wang J , Yu H , et al. Decreased coherence and functional connectivity of electroencephalograph in Alzheimer‘s disease[J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2014, 24(3):033136.

作者简介：汪露雲（1993-）女，浙江龙游人，硕士，主要研究方向为软件工程.

基金项目：浙江省教育厅一般科研项目（Y201840476）；2020杭州职业技术学院科研课题（ky202034）.