基于FBSE-EWT分解的脑电图（EEG）信号的新型中风分析分类框架

《Biomedical Signal Processing and Control》：Novel classification framework for stroke analysis using FBSE-EWT decomposition from EEG signals

　　摘要
本文提出了一种新型的中风分析分类框架，该框架利用傅里叶-贝塞尔级数展开和经验小波变换（FBSE-EWT）方法对脑电图（EEG）信号进行分解。所提出的方法改进了非平稳EEG信号的时间-频率（TF）表示，从而提取出与中风事件相关联的最显著脑电模式。通过应用FBSE方法进行高分辨率谱分析，并使用基于EWT的滤波器组进行自适应信号分解，该方法能够有效提取EEG信号的窄带成分。这些成分进一步通过归一化希尔伯特变换进行分析，以估计瞬时幅度和瞬时频率函数。然后，使用不同的机器学习和深度学习分类器对这些特征进行测试，以识别中风，并在评估的分类器中表现出最佳性能。利用Temple EEG数据集验证了所提出方法的有效性，结果表明该方法在提高从EEG数据中诊断中风的准确性和可靠性方面具有优越性能。所提出的框架使用了传统的机器学习分类器和先进的深度学习模型进行评估，包括WDESN、CNN-BiLSTM、RGNN和EEG-transformer。其中，EEG-transformer达到了99.10%的最高分类准确率，其次是RGNN，为98.60%。结合CSD特征的FBSE-EWT框架实现了99.50%的灵敏度、98.60%的特异性和99.00的F1分数，证明了该框架在自动化正常和中风EEG分类方面的有效性。

引言
中风是全球第二大常见死因，也是导致严重残疾和医疗保健成本的主要因素。大约每六个人中就有一个人在其一生中面临中风的风险。中风可能导致早期死亡和慢性残疾[1]。全球每年约有1500万人受到影响[2]。尽管中风的风险随着年龄的增长而增加，但它可以在任何年龄发生。有效管理中风的关键在于早期发现和及时干预，因为及时的诊断对于改善患者预后至关重要[3][4]。EEG是一种无创的方法，用于捕捉大脑的电活动[5][6]。它已成为检测和分析与中风相关的异常现象的所有信号模式中最有价值和最有效的方法之一[7]。中风通常会在EEG中引起局部异常，这些异常对应于受中风影响的大脑区域。中风影响的大脑区域通常会出现EEG活动减少的情况[8]。在中风区域经常观察到δ波活动增加，这反映了由于神经元功能障碍导致的慢波活动[9]。然而，中风EEG信号的非平稳和复杂特性给准确高效地分类中风带来了相当大的障碍[10]。基于傅里叶-贝塞尔级数展开的经验小波变换（FBSE-EWT）允许进行联合时间-频率分解[11]，因此对于具有变化和复杂特性的信号非常有用。时间-频率分析揭示了EEG功率在时间和频率域中的变化，从而突出了短暂的大脑事件和振荡响应[12][13]。因此，我们的目标是使用FBSE-EWT方法分析中风患者的EEG信号，以有效区分中风和非中风病例。

近年来，许多研究探讨了EEG作为中风检测和分类工具的能力。最近的文献中，探索了各种基于EEG的方法来检测中风，每种方法都提供了独特的见解和结果。Liu等人[14]强调了使用自动超参数调整与DNNs相结合的方法来识别大数据集中的中风事件。Wilkinson等人[15]开发了EEG生物标志物来预测中风的不同阶段。Hussain等人[16]开发了基于先进EEG信号处理的方法来早期检测中风。Choi等人[17]发现了与中风不同阶段相关的独特EEG模式。Islam等人[18]使用自适应梯度提升（Adaptive Gradient Boosting）通过迭代改进较弱模型来优化预测准确性。Wang等人[19]使用了LightGBM方法，该方法提供了高效的分类，但可能无法捕捉时间序列数据中的复杂模式，而1D-CNN方法对于序列数据更有效，因为它能够直接从原始数据中学习特征，从而实现了更高的准确率。最后，Bouazizi[20]将循环模型（如D-ESN）与传统的算法（如SVM和RF）以及标准神经网络相结合。最近，先进的深度学习架构[21][22]已扩展到缺血性中风和一般异常检测。Tong等人[23]提出了MSE-VGG模型，将VGG-16与Squeeze-and-Excitation块和cwPLI特征相结合，在包含20例中风和19例对照受试者的数据集上实现了90.17%的准确率。此外，Bussalb等人[24]展示了使用在2500个记录上微调的BioSerenity-E1基础模型的有效性，其临床EEG异常检测准确率达到82.3%。类似的CNN-BiLSTM模型也被应用于基于EEG的中风检测，最近的深度学习方法报告了显著的性能提升[15][16][23][24]。因此，为了开发一个可靠的临床中风检测系统，识别EEG信号中存在的微妙和复杂模式至关重要。此外，在临床实践中准确区分中风和非中风病例对于改善中风状况的诊断和监测至关重要。

尽管报告的准确率很高，但现有的基于EEG的方案[15][16][20][23][24]仍存在一些局限性。它们的有效性在很大程度上取决于可用训练数据的量和质量。此外，许多早期方法依赖于手工制作的特征，这些特征无法完全捕捉EEG信号的非平稳性质。此外，EEG记录容易受到加性伪影的影响，这进一步影响了这些方法的鲁棒性和泛化能力。当将多种方法集成时，系统设计变得复杂，且结果可能无法在不同数据集之间很好地推广。为了克服这些挑战，我们提出了一种利用关键特征和先进分类器从EEG信号中检测中风的新方法。在这种方法中，我们引入了一种基于FBSE-EWT的新分类框架来区分正常和中风EEG信号。所开发框架的架构如图1所示。开发基于FBSE-EWT框架的动机是需要一个更加稳健和可靠的EEG分析框架，能够捕捉与中风相关的大脑活动的复杂、非线性和非平稳特性。现有的基于EEG的中风检测方法往往在有效提取区分性特征方面面临挑战，这是由于有限的谱分辨率、模式混合以及对动态EEG变化的适应能力降低。因此，将FBSE与EWT结合使用提供了改进的谱定位和自适应信号分解，使得提取有意义的EEG生物标志物成为可能，从而准确区分正常和中风状态。

FBSE-EWT是一种复杂的方法，用于将EEG信号分解为有意义的成分[25]。该方法结合了两种强大的技术：FBSE，它利用基于贝塞尔函数的级数展开[26]；以及EWT，一种数据驱动的变换，将信号分解为固有模式函数（IMFs）[27][28]。通过将FBSE与EWT结合，分解过程变得更加强大和适应性强。FBSE提供了一种结构化的方法来表示EEG信号[29]，而EWT则在捕捉局部特征方面提供了灵活性和适应性。它们共同使得EEG信号分解为IMFs，这些IMFs代表了不同的频率成分和时间动态，便于分析和解释[30][31]。然而，传统的时间-频率分析技术，如短时傅里叶变换（STFT）、经验小波变换（EWT）和Wigner-Ville分布（WVD），由于其方法上的局限性，无法准确重建与中风和创伤性脑损伤（TBI）EEG信号相关的振荡成分。每种技术都有其特定的缺点：STFT受到固定窗口限制，限制了联合时间-频率分辨率；EWT依赖于预定义的谱边界，使其对噪声和模式重叠非常敏感；而WVD虽然能够提供高能量集中，但在多组分EEG信号中引入了严重的交叉项干扰。因此，这些传统方法不足以捕捉病理EEG活动的非线性和非平稳动态。FBSE-EWT方法能够有效捕捉EEG信号的全局和局部特征[32]。在将FBSE-EWT方法应用于原始EEG信号之前，我们首先使用多组分AM信号演示了其工作原理。图3展示了多组分AM信号及其FBSE谱和相应的基于EWT的滤波器组，而图4显示了同一合成AM信号的FBSE-EWT分解结果。这提供了一个适应性和灵活的系统，以便适应频率和时间动态的变化[33][28]。图5显示了正常和中风类别的原始EE信号及其相应的FBSE谱，而图6展示了一个原始EE信号及其FBSE谱和派生的基于EWT的滤波器组的示例。此外，图7展示了使用FBSE-EWT方法为正常和中风EE类别获得的FBIMFs。其适应性和灵活的分解能够适应中风的动态大脑功能变化，同时其分析非平稳和非线性特征的能力确保了微小异常的检测[28]。通过分析非平稳和非线性特征，FBSE-EWT揭示了EEG数据中的复杂模式[13]。FBSE-EWT技术提供了大脑活动的全面表示[13][15]。这种详细分析便于临床应用的解释，从而提高了中风诊断的准确性[17]。因此，FBSE-EWT技术通过提供全面和适应性的EEG信号分析来提高中风检测的准确性，从而提高了中风诊断的准确性和有效性。因此，本工作的目标是解决这些问题，并使用EEG数据提高中风检测的准确性。所提出的工作在以下几个方面做出了主要贡献：
(1) 提出了一种基于FBSE-EWT的新型分类框架，用于从EEG信号中检测中风。
(2) 该方法在合成振幅调制（AM）信号上进行了测试，以证明其能够应对信号的非平稳特性带来的挑战，从而证明了其在处理时变特性方面的有效性。
(3) 从多域特征中制定了特征，这些特征捕捉了对准确分析中风至关重要的独特脑电波模式。
(4) 最后，使用了九种不同的机器学习模型对融合特征进行训练，以从EEG模式中分类中风状况。
(5) 我们将设计的自动化中风检测系统与现有的其他最先进方法进行了比较。

本文的其余部分结构如下：第2节解释了所提出的FBSE-EWT方法。第3节和第4节详细介绍了特征提取过程和所采用的分类器。第5节展示了实验结果，并与现有方法的结果进行了比较。最后，在最后一节提供了结论性意见。

提出的方法
FBSE-EWT技术是一种多功能且有效的方法，用于将时变的多组分信号分解为一组有限的常见振荡成分（OCs）[10][12]。图2展示了用于从EEG信号自动检测中风的基于FBSE-EWT的方法的流程图。它概述了实施所开发方法的所有关键步骤，并在以下小节中提供了详细说明。在此方法中，使用了FBSE。

特征提取
在这种方法中，我们采用了多种多域特定特征参数，即谱熵（SE）、 Cross-spectral密度（CSD）、Rényi熵（RE）、Common Spatial Patterns（CSP）、Delta功率不对称性（DPA）和Delta-alpha比率（DAR）。这些特征对于中风EEG分类特别有效，因为它们共同捕捉了中风EEG信号的基本谱、统计和空间特性，并有效地展示了中断的功能连接性。

提出的分类器框架
在这项工作中，使用SE、RE、CSD、DPA和DAR计算出的融合特征，通过不同的机器学习和深度学习分类器进行了评估，包括细粒度树（Fine Tree，FT）[68]、线性判别分析（LDA）[69]、立方支持向量机（Cubic SVM）[70]、细粒度K最近邻（Fine KNN）[71][72]、窄神经网络（NNN）[73]、宽度和深度回声状态网络（WDESN）、CNN-BiLSTM [74][55]、RGNN和EEG-transformer。默认的超参数设置用于...

结果与讨论
采用第2节中描述的FBSE-EWT方法来分解EEG信号并提取用于中风和正常EEG信号分类的区分性特征（第3节中有说明）。我们在Temple EEG语料库数据集[43]上使用了独立于受试者的5折交叉验证方法进行了实验。我们的训练集选出了379个单独的特征。所引入方案的性能评估采用了5折验证和k折验证技术。我们开发了一个基于FBSE-EWT的高级自动化分类框架，旨在显著提升基于EEG的中风检测能力。全面的比较分析表明，这种新方法相较于现有的最先进方法具有显著的优势。该框架通过依赖受试者的验证策略、独立于受试者的验证策略、5折交叉验证以及在模拟高斯噪声环境下的鲁棒性分析进行了全面评估。

CRediT作者贡献声明：
Nutan Suple（Dahikar）：撰写 – 审稿与编辑、撰写 – 原稿创作、可视化、验证、软件开发、资源管理、方法论、正式分析、数据管理、概念化。
Tapan Kumar Jain：可视化、验证、监督、资源管理、项目管理、方法论、调查、正式分析、数据管理、概念化。
Chandrashekhar Sakode：可视化、验证、监督、项目管理、方法论、调查、正式分析。

利益冲突声明：
作者声明他们没有任何已知的财务利益冲突或个人关系可能会影响本文所述的工作结果。

Nutan Suple (Dahikar) | Tapan Kumar Jain | Chandrashekhar Sakode | Shailesh Vitthalrao Bhalerao