[论文解读] Localization of epileptic seizure with an approach based on the PSD with an autoregressive model

Mahamat Ali Issaka, Ali S. Dabye+1 more|arXiv (Cornell University)|Jun 2, 2015

EEG and Brain-Computer Interfaces参考文献 11被引用 5

一句话总结

该论文提出了一种基于EEG的新型癫痫发作定位方法，采用自回归（AR）建模与功率谱密度（PSD）分析，以提高频率分辨率并实现自动化检测。通过应用微分处理稳定非平稳EEG信号，利用最大似然估计（MLE）、Burg法和Yule-Walker法估计AR参数，并采用AIC/BIC选择最优模型阶次，该方法在检测癫痫活动时实现了70%的准确率和80.55%的敏感度，优于传统视觉检查的效率与一致性。

ABSTRACT

In this study, we present a criterion based on the analysis of EEG signals through the mean of the conventional power spectral density (PSD) in the aim to localize and detect the epileptic area of the brain. Firstly, as the EEG signals are commonly non stationary in practice, we processed the data with technique of differentiation in order to have the stationary which is convenient to model with autoregressive model (AR). For this, we have used many techniques for to determine the order which model better the data in this work. Therefore, we can characterize normal and abnormal activity which correspond to epileptic discharge for the patient. Our contribution in this work is the automatic detection of epilepsy seizure with the PSD novel approach by a better resolution in the frequency domain as the examination of EEG signals is often done with visual inspection of the rhythm (delta, theta, alpha, beta, gamma) by neurologists practitioners. The accuracy of the detection is estimated to 70% with the sensitivity of 80.55% compared with the interpretation of neurologist.

研究动机与目标

• 通过超越神经科医生传统视觉检查的方法，提升EEG信号中癫痫发作检测的准确性和自动化水平。
• 通过应用信号微分处理，使非平稳EEG信号达到适合AR建模的平稳状态，以解决EEG信号的非平稳性问题。
• 通过AR模型进行参数化谱估计，提升EEG分析中的频域分辨率。
• 评估多种AR参数估计方法（MLE、Burg、Yule-Walker）及模型阶次选择准则（AIC、BIC、AICc）的性能。
• 基于临床相关频段（δ、θ、α、β）的谱功率分布，开发一种可靠且自动化的癫痫放电检测标准。

提出的方法

• 对EEG数据应用信号微分处理，将非平稳信号转换为适合AR建模的平稳形式。
• 采用三种方法估计AR模型参数：最大似然估计（MLE）、Burg法和Yule-Walker法。
• 使用信息准则选择最优AR模型阶次：赤池信息准则（AIC）、贝基安信息准则（BIC）及校正AIC（AICc）。
• 从估计的AR模型中计算功率谱密度（PSD），以分析δ（0.5–4 Hz）、θ（4–8 Hz）、α（8–14 Hz）和β（14–30 Hz）频段的频谱成分。
• 对比正常与癫痫EEG信号的PSD输出，识别提示癫痫放电的异常谱模式。
• 使用128导联采集的10例癫痫患者和4例正常EEG记录数据集进行验证，每20秒段包含2560个样本。

实验结果

研究问题

• RQ1 与视觉检查相比，AR建模结合PSD分析是否能提升对非平稳EEG信号中癫痫发作的检测能力？
• RQ2 在癫痫EEG检测中，哪种AR参数估计方法（MLE、Burg、Yule-Walker）能产生最可靠的谱估计？
• RQ3 AIC、BIC和AICc在选择最优AR模型阶次以区分正常与癫痫EEG活动方面效果如何？
• RQ4 所提出的方法在定位癫痫灶方面是否比传统视觉EEG解读具有更高的敏感度和准确率？
• RQ5 基于参数化谱估计，临床相关频段（δ至β）的谱功率分布是否能可靠地区分癫痫与正常EEG模式？

主要发现

• 该方法在测试患者中检测癫痫发作的整体准确率达到70%，与神经科医生判读相比，敏感度达到80.55%。
• 患者3（右前颞叶癫痫）检测准确率最高，达82.12%，敏感度达100%，表明对局灶性癫痫发作具有优异表现。
• PSD分析显示，癫痫患者在α频段（8–14 Hz）附近表现出主导的低频能量，与临床观察到的病理性同步一致。
• 健康受试者PSD显示低频能量极少，且高频成分更宽泛，支持模型区分正常与异常模式的能力。
• 采用AIC和BIC进行AR模型阶次选择，得到稳定且准确的谱估计，AICc在模型拟合与复杂度之间提供了良好平衡。
• MLE、Burg和Yule-Walker方法产生的AR参数估计具有一致性，残差误差方差（σ² ≈ 0.03–4.37）变化极小，验证了模型的鲁棒性。