《Measurement: Sensors》：EEG scalp data processing using FIR filter, Kaiser windowing technique with features extraction and classification for epileptic seizure detection
编辑推荐：
癫痫发作由大脑中神经元活动的异常同步放电引起，这些活动可通过多通道脑电图（EEG）信号从头皮记录。传统上，神经科医生手动分析这些信号，此过程既耗时又依赖于医生的经验。研究人员提出了一种全自动方法，利用先进信号处理和机器学习区分癫痫与非癫痫EEG信号。EEG信号
癫痫发作由大脑中神经元活动的异常同步放电引起，这些活动可通过多通道脑电图（EEG）信号从头皮记录。传统上，神经科医生手动分析这些信号，此过程既耗时又依赖于医生的经验。研究人员提出了一种全自动方法，利用先进信号处理和机器学习区分癫痫与非癫痫EEG信号。EEG信号首先使用基于Kaiser窗（Kaiser window）的陷波滤波器（notch filter）进行滤波，该滤波器在减少频谱泄漏（spectral leakage）和去除电网频率噪声（50-60 Hz）方面尤其有效。分析了不同Kaiser窗β值（4、6、8和12）的性能，其中β=12因最小泄漏、高旁瓣衰减（side-lobe attenuation）和窄主瓣宽度（main lobe width）而表现出最佳结果，表明滤波器具有高选择性。滤波后的EEG信号通过六种统计特征（均值、众数、中位数、方差、峰度（kurtosis）和偏度（skewness））进行表征。这些特征随后用于训练机器学习分类器，以自动检测癫痫活动。本工作的创新性在于使用Kaiser窗进行优化滤波，并将其与基于统计特征的分类相结合，提供了一个高效、自动化的癫痫发作检测系统，最大限度地减少了人工干预。
脑电图（EEG）通过头皮电极记录大脑电活动，是诊断癫痫的重要工具。癫痫发作由脑内神经元异常同步放电引起，EEG信号可捕捉此类异常。传统上，神经科医师通过视觉检查EEG波形判断癫痫样放电，该过程费时且高度依赖专家经验，尤其对于长时程记录。此外，EEG信号幅值微弱（10-100 μV），极易受到眼动、肌电等生理伪迹及50-60 Hz电源线噪声的干扰，导致频谱泄漏，掩盖病理特征，增加诊断难度。因此，亟需开发能够自动去除干扰并准确区分癫痫与非癫痫EEG信号的方法，以提高诊断效率与客观性。
基于此，本研究提出一种全自动EEG信号处理与分类框架，用于癫痫发作检测。该框架使用基于Kaiser窗（Kaiser window）的有限脉冲响应（FIR）陷波滤波器抑制电源线噪声，提取EEG信号的统计特征，并采用人工神经网络（ANN）自动识别癫痫活动。研究数据来源于Physionet.org公共数据库，共6例受试者（年龄11-22岁，女性2例：1例癫痫、1例非癫痫；男性4例：2例癫痫、2例非癫痫），总样本量35190个。通过系统分析Kaiser窗参数β（4、6、8、12）对滤波性能的影响，确定最优配置。滤波后信号提取六种统计特征（均值、众数、中位数、方差、峰度、偏度），并用这些特征训练ANN分类器。结果显示，所提方法在测试集上达到99.6%的分类准确率，证实了优化Kaiser窗滤波与统计特征分类相结合的有效性，为临床癫痫自动检测提供了高效方案。该论文发表在《Measurement: Sensors》。
本研究运用的关键技术方法包括：（1）数据来源与预处理：从Physionet.org下载EEG数据，采用Z-score标准化消除离群值。（2）滤波器设计：采用阶数为776的FIR Kaiser窗陷波滤波器，采样频率1000 Hz，用于抑制50-60 Hz电源线噪声。通过调整β参数（4、6、8、12）并评估相对泄漏因子、旁瓣衰减和主瓣宽度，优化滤波性能。（3）特征提取：从滤波信号中计算六种统计特征（均值、众数、中位数、方差、峰度、偏度）。（4）分类器：使用包含两个隐藏层的人工神经网络，以80%数据训练，20%数据测试，结合5折交叉验证调优，通过混淆矩阵、准确率、灵敏度、特异度、精确度和ROC AUC评估分类性能。
研究结果主要涵盖参数分析、特征直方图与分类评估三方面。
在参数分析中，不同β值的Kaiser窗陷波滤波器性能对比显示，Kaiser（β=12）窗效果最优：相对泄漏因子为0%，旁瓣衰减达-89.9 dB，主瓣宽度为0.002686 mHz。相比之下，β=4、6、8的窗口泄漏因子分别为0.1%、0%、0%，但旁瓣衰减较弱（-30 dB、-43 dB、-58.7 dB），主瓣宽度也较大。此外，与其他窗函数（矩形窗、汉明窗、巴特利特窗、汉宁窗）相比，Kaiser窗在泄漏抑制（0%）和旁瓣衰减（-89.9 dB）方面显著优于其他窗，且主瓣宽度最窄（0.002686 mHz），表明其滤波选择性最高。
特征提取后，各统计特征的直方图分布如下：
4.1 模式值直方图：模式值主要集中在零附近（最高频次约90），表明多通道信号幅度中心趋势相近。
4.2 均值直方图：均值主要分布在[-0.05, 0]×10
-3区间（约120个值），存在一个异常低值。
4.3 中位数直方图：中位数呈对称分布，峰值位于[-0.0005, 0]区间（约75个值），数据偏斜度低。
4.4 方差直方图：方差呈双峰分布，在[0, 0.0001]和[0.0003, 0.0004]区间分别聚集约173和205个值，反映不同EEG段波动性的差异。
4.5 峰度直方图：峰度主要分布于2.5-3之间（约11个值），多数为常峰态，部分呈现尖峰或扁平。
4.6 偏度直方图：偏度多分布于0-0.5区间（约13个值），呈轻微右偏，左偏罕见。
分类结果显示，ANN分类器在测试集上得到混淆矩阵：真正例138个，真负例116个，假负例1个，假正例0个。由此计算得准确率99.6%、灵敏度99.3%、特异度100%、精确度100%。ROC曲线下面积（AUC）为0.9852，表明模型具有极佳的区分能力。相关矩阵显示模型能有效分离癫痫与非癫痫类别，对角线深色表示高正确率。
讨论部分指出，尽管模型性能优异，但可能对受试者特定模式过拟合，对数据分布偏移敏感，且可能受电极位置差异影响。为缓解风险，研究采用了subject-wise交叉验证、正则化、数据增强及阈值校准等策略。研究亦承认其局限性：未进行临床级相位失真效应验证；仅聚焦于滤波、特征提取与分类，未扩展到多中心临床试验；实时部署时可能因延迟、系数量化和存储限制产生性能变化。未来工作拟采用FPGA实时实现、基于深度学习的时序模型（如CNN-LSTM），并进行多类与跨数据集验证，以推动临床可应用的智能EEG诊断工具。
研究结论翻译如下：本研究通过应用Kaiser窗技术的陷波滤波器获取EEG信号，并在MATLAB 2023a软件的FDA工具中分析了基于Kaiser窗技术的带阻FIR滤波器响应。滤波器长度为775（阶数776），采样频率为1000 Hz。参数分析显示，Kaiser（β=12）窗的相对泄漏因子为0%，旁瓣衰减为-89.9 dB，相比其他β值（4、6、8）更具优势。对于高选择性滤波器，主瓣宽度应趋近于零，此处Kaiser（β=12）窗的主瓣宽度为0.002686，非常接近零。因此，该窗适用于原始EEG头皮数据的滤波。滤波后数据提取五种统计特征（均值、众数、中位数、方差、标准差），并送入ANN分类。80%数据用于训练，20%用于测试。本研究提出的基于FIR和Kaiser窗的EEG信号处理系统在β=12时滤波性能准确，结合ANN分类与统计特征提取，癫痫信号检测准确率达99.6%。结果表明高选择性滤波器可提升EEG分类效果。未来研究将聚焦FPGA实时实现、基于深度学习的时序模型、多类及跨数据集验证，以推进临床可部署的智能EEG诊断工具。从离线分析到实时嵌入可能因延迟、系数量化和存储限制带来性能变化，需进一步验证。
