脑电信号分析与癫痫预测的研究

侯 峰(综述)，刘绍明(审校)

(1.新疆地方与民族高发病实验室，新疆石河子大学，新疆石河子832000;2.兰州军区乌鲁木齐总医院癫痫与功能外科中心，乌鲁木齐830000)

癫痫是大量脑神经细胞群引起的脑皮质兴奋性异常的神经系统紊乱性疾病。据世界卫生组织统计，其患病率为0.5%～2%［1］。癫痫发作具有突然性，患者在发作时常会意识丧失，这是意外病死率居高不下的主要原因［2］。手术切除病灶和药物治疗是癫痫治疗的主要手段，能使75%的癫痫得到控制或治愈，但也存在一些问题，如药物治疗的部分患者在长期治疗后可能出现耐药，存在一些不良反应且患者依从性不好;手术只能适用于少数患者，对有些患者还有可能带来其他的并发症。据估计，在癫痫患者中10%～50%是药物治疗无效或不适合手术治疗的［1］。

1 脑电产生原理及研究现状

脑电或脑电图(electroencephalogram，EEG)主要反映大脑的电活动特性，是从人类和动物的头皮上记录到的电位变化。大脑皮质Ⅲ层和Ⅳ层的锥体细胞［3］是头皮电位的主要信号源。多种神经元的同步激活放电经过同向树突，突触和神经震荡等环节的传递后，在头皮上产生可以检测到的脑电节律活动。其活动由德国精神科教授Hans Berger于1929年首次记录并描述。随着现代科学技术的进步，脑电图被广泛应用于临床神经诊断学、生理学、心理学的研究［4-5］。大量研究表明，在癫痫发作前患者的临床生理指标就已发生微妙的变化，如脑血流量、氧利用率、血氧饱和度和心电图中R-R间期的变化等。Geva等［6］用高压氧舱的方法诱发小鼠癫痫发作，发现小鼠在发作前有明显的逃避行为，表明小鼠可以在发作前感觉到癫痫即将发作;同时脑电监测到小鼠EEG的异常波，这些结果为研究新的治疗方法提供依据。时至今日，脑电图以其高效的时间分辨率和非损伤的检测方法在脑功能评估方面发挥着CT、磁共振成像等无法替代的作用。目前对脑电信号的研究主要集中在癫痫，脑-机接口和身份特征性识别的领域。

2 脑电分析的临床意义

20世纪90年代后，有关学者在癫痫预测方面做了大量的工作，癫痫预测意义如下:①通过对脑电信号进行分析，有望研究出一种癫痫发作预警装置，对患者而言，提前预知癫痫发作可以使他提前采取保护措施，躲避可能的危险，如果这种装置便于携带，将会使患者的生活质量得到很大的提高。也可以在预测癫痫即将发作时提前服用抗癫痫药，短程使用，减轻药物的耐药性并降低药物的不良反应，这一设想已在小鼠身上实现［7］。②在癫痫手术方面，通过对脑电信号分析可以更精确地进行术前致痫灶定位。如果能在癫痫发作过程中找到癫痫最早起始区域，则可以更小地切除癫痫病灶，最大程度地减少手术给患者带来的伤害。③目前最常用的电刺激治疗癫痫的方式是每隔一段时间用高频电信号刺激中枢神经，这种方式可以在一定程度上减少癫痫发作的次数，但其具有较严重的不良反应。如果仅在预测癫痫即将发作前给予电刺激，则可以减少患者所受的刺激总量，减少不良反应。④目前脑电信号分析的基本方法是由有经验的脑电医师通过目检完成，这需要丰富的领域知识和临床经验，随着脑电应用的发展，其脑电数目大量增加，尤其是在长程脑电检测，术前定位癫痫灶等造成脑电医师巨大的工作量。如果能发明一种预测癫痫发作的仪器或装置能在癫痫发作前检测并预测到癫痫发作，减少脑电医师的工作量并提高癫痫的诊断率，还可使患者及时采取必要的自我预防保护措施，并可以对其进行局部小剂量抗癫痫药物治疗，将会减轻癫痫发作及患者的痛苦，也可为降低药物不良反应，增加药物疗效的短程治疗开创新途径［8］。

3 癫痫预测的方法

1975 年Viglione等［9］开始了癫痫预测的研究，在20世纪80年代末到90年代初伴随着计算机技术的发展，混沌理论、相关维等研究方法被应用于癫痫的预测。现在，国内外已经有学者提出将混沌理论用于癫痫脑电信号分析［10］。对脑电信号进行分析，检测及预测癫痫发作的方法众多［11-13］，主要为两类:线性分析方法(如时域分析、蓄积能量)和非线性分析方法(如关联维、Lyapunov指数)。

3.1 线性分析方法 线性分析方法的优势在于计算简单，主要对脑电信号进行频域分析。Osorio等［14］用时频分析方法研究皮质脑电信号(包括125段发作期和205段发作间期)样本，结果表明此方法的预测准确率为92%，具有较高的敏感性和特异性。2001年，Litt等［15］采用相互交错的连续观测窗口按时间顺序来分析脑电信号，计算样本脑电信号的累加能量并分析在癫痫发作过程中脑电能量变化，探测癫痫发作脑电预测的可行性。他们描述并分析了80个癫痫发作样本(发作间期样本50个，发作前期样本30个)的累积能量变化趋势，结果显示在发作前十几分钟即可作出癫痫发作的预测，准确率为89%。2004年Gigola等［16］用该方法对4例癫痫患者用小波分析方法及累积能量方法分析其13次发作，显示在发作前70 min脑电能量就有明显的改变。Harrison等［17］于2005年对此法预测癫痫发作提出质疑。

3.2 非线性分析方法 这些年人们大量运用非线性方法来预测癫痫的发作。在1956年，Babloyanz和Destexhe率先利用非线性方法描述了一种特殊类型的发作活动。他们计算脑电的关联维和Lyapunov指数，发现癫痫活动时脑电数据的关联维值比正常活动时明显降低。而Lai等［18］对此算法持怀疑态度，研究发现Lyapunov算法不适用于长程脑电信号。另外，大脑是一个高维混沌系统且皮质脑电采样本身存在较高噪声，而Lyapunov算法只适用于极低噪声条件，这些导致了Lyapunov算法在实际运用过程中的局限性，其准确性和可靠程度降低。

4 脑电分析存在的问题

癫痫的病因非常复杂，发作机制至今也未能彻底阐释清楚，癫痫发作的影响因素、诱因众多。不同的癫痫类型及患者的个体差异都增加了癫痫检测、分析、预测的难度，这些使得已有的癫痫检测、分析、预测方法存在着种种不足。因此，癫痫检测、分析、预测方法在发展和取得进展的同时，也遇到了一些研究者的质疑，目前，癫痫发作检测、分析、预测存在着许多尚待解决的问题。

4.1 数据的采集与处理 数据的采集在之后的数据分析过程中起着关键作用，不同的数据采集、处理可能导致不同的结果。目前已有的癫痫分析方法中，大多都在分析前对数据进行了不同程度的预处理，如降噪、去伪迹等，这些处理都会使原始数据的部分信息丢失，造成实验结果的偏差，影响实验结果。

4.2 癫痫种类的多样性与个体差异 癫痫发作有很多类型，目前，人们所研究的癫痫分析、检测、预测算法主要集中在颞叶癫痫［19］，对其他类型的癫痫发作研究较少。对同一个患者而言，有研究表明，不同的发作可以被检测、预测的时间也不相同，说明癫痫检测、预测的复杂性。

4.3 头皮脑电和颅内脑电在检测、预测上是否有一致性 皮质脑电信号特异性强、信噪比高，检测、预测的能力强，皮质脑电分析的结果不一定能由头皮脑电得到。在长程脑电检测中，头皮脑电会受到眼动、肌电等干扰，如果能在影响脑电分析最小的情况下去除这些伪迹，这也是癫痫研究面临的重要问题。况且，目前癫痫的研究还处在回顾性研究层面，这些都是亟待解决的问题。

5 前景展望

目前公认的结果是，大脑是一个高度复杂的非线性动力学系统。目前癫痫脑电信号分析、检测、预测多基于数学模型的设计与应用，癫痫发病机制尚未探索清楚。近年来，如动力学互引算法等双变量分析算法已被运用于癫痫预测的研究。已有研究表明［20］，双变量算法在癫痫脑电信号的预测时间和动力学变化的反应上较以往的研究方法更具优势。癫痫预测主要是分析癫痫发作过程中脑电变化并以此为依据去构建癫痫发作过程的数学模型。这个目标的实现需要多个学科的交叉，工作艰巨且复杂。从多学科的角度去分析癫痫发作过程，结合多种方法对癫痫发作过程做出一个较为准确的描述，为癫痫发作机制、检测、预测提供理论依据。

［1］Nicolelis MA.Actions from thoughts［J］.Nature，2001，409(6818):403-407.

［2］Ryvlin P，Cucherat M，Rheims S.Risk of sudden unexpected death in epilepsy in patients given adjunctive antiepileptic treatment for refractory seizures:a meta-analysis of placebo-controlled randomised trials［J］.Lancet Neurol，2011，10(11):961-968.

［3］Mitzdorf U.Properties of the evoked potential generators:current source-density analysis of visually evoked potentials in the cat cortex［J］.Int J Neurosci，1987，33(1/2):33-59.

［4］Vaughan TM，Wolpaw JR.The third international meeting on Brain-Computer interface technology:making a difference［J］.IEEE Trans Neural Syst Rehabil Eng，2006，14(2):126-127.

［5］Vaughan TM，Heetderks WJ，Trejo LJ，et al.Brain-computer interface technology:a review of the Second International Meeting［J］.IEEE Trans Neural Syst Rehabil Eng，2003，11(2):94-109.

［6］Geva AB，Kerem DH.Forecasting generalized epileptic seizures from the EEG signal by wavelet analysis and dynamic unsupervised fuzzy clustering［J］.IEEE Trans Biomed Eng，1998，45(10):1205-1216.

［7］Stein AG，Eder HG，Blum DE，et al.An automated drug delivery system for focal epilepsy［J］.Epilepsy Res，2000，39(2):103-114.

［8］Schad A，Schindler K，Schelter B，et al.Application of a multivariate seizure detection and prediction method to non-invasive and intracranial long-term EEG recordings［J］.Clin Neurophysiol，2008，119(1):197-211.

［9］Viglione SS，Walsh GO.Proceedings:epileptic seizure prediction［J］.Electroencephal Clin Neurophysiol，1975，39(4):435-436.

［10］Elif DU.Statistics over features:EEG signals analysis［J］.Comput Biol Med，2009，39(8):733-741.

［11］Esteller R，Echauz J，D'alessandro M，et al.Continuous energy variation during the seizure cycle:towards an on-line accumulated en-ergy［J］.Clin Neurophysiol，2005，116(3):517-526.

［12］Le Van QM，Martinerie J，Navarro V，et al.Anticipation of epileptic seizures form standard EEG recordings［J］.Lancet，2001，357(9251):183-188.

［13］Navarro V，Martinerie J，Le Van Quyen M，et al.Seizure anticipation in human neocortical partial epilepsy［J］.Brain，2002，125(Pt 3):640-655.

［14］Osorio I，Frei MG，Wilkinson SB.Real-time automated detection and quantitative analysis of seizures and short-term prediction of clinical onset［J］.Epilepsia，1998，39(6):615-627.

［15］Litt B，Esteller R，Echauz J，et al.Epileptic seizures may begin hours in advance of clinical onset:a report of five patients［J］.Neuron，2001，30(1):51-64.

［16］Gigola S，Ortiz F，D'attellis CE，et al.Prediction of epileptic seizures using accumulated energy in a multiresolution framework［J］.J Neurosci Methods，2004，138(1/2):107-111.

［17］Harrison MA，Frei MG，Osorio I.Accumulated energy revisited［J］.Clin Neurophysiol，2005，116(3):527-531.

［18］Lai YC，Harrison MA，Frei MG，et al.Controlled test for predictive power of Lyapunov exponents:their inability to predict epileptic seizures［J］.Chaos，2004，14(3):630-642.

［19］贾文艳，高上凯，高小榕，等.癫痫发作预测研究的新进展［J］.生物医学工程学杂志，2004，21(2):325-328.

［20］Mormann F，Kreuz T，Rieke C，et al.On the predictability of epileptic seizures［J］.Clin Neurophysiol，2005，116(3):569-587.