孤獨癥的早期發現與及時干預至關重要。本文結合小波變換和經驗模態分解（EMD）提取腦電信號（EEG）特征，比較分析孤獨癥兒童和正常兒童腦電信號的特征差異。試驗共采集了 25 例（20 例男孩，5 例女孩）5～10 歲孤獨癥兒童和 25 例 5～10 歲正常兒童的腦電信號，基于小波變換提取 C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5 和 T6 的 alpha、beta、theta 和 delta 頻段的節律波，再進行 EMD 分解得到固有模態函數（IMF）特征，以支持向量機（SVM）實現孤獨癥和正常兒童腦電的分類評估。試驗結果表明，小波變換和 EMD 結合的方法可以有效地識別孤獨癥兒童和正常兒童的腦電信號特征，分類正確率達到 87%，相比文中小波結合樣本熵方法提取腦電特征分類評估的準確率高出將近 20%。所提取的四種節律波中，delta 節律（1～4 Hz）波的分類正確率最高，特別是在前額 F7 通道、左前額 FP1 通道和顳區 T6 通道其分類準確率均超過 90%，能夠較好地表達孤獨癥兒童腦電信號的特點。
引用本文： 李昕, 蔡二娟, 秦鷺云, 康健楠. 基于小波變換結合經驗模態分解提取孤獨癥兒童腦電異常特征研究. 生物醫學工程學雜志, 2018, 35(4): 524-529. doi: 10.7507/1001-5515.201705067 復制
引言
孤獨癥譜系障礙（autism spectrum disorder，ASD）是根據典型孤獨癥的核心癥狀進行擴展定義的廣泛意義上的孤獨癥。孤獨癥又稱自閉癥或孤獨性障礙，是一種廣泛性發育障礙疾病，ASD 的病因一直不明確，包括遺傳因素、神經因素和家庭心理因素等[1]。近年來，ASD 人群數量所占比例越來越多，嚴重影響著患者的生活質量，造成了沉重的家庭負擔。大多數 ASD 兒童的發育異常出現在嬰幼兒期，并且基本在 5 歲以前表現很明顯，目前尚無有效的藥物治療。有很多 ASD 兒童因確診時年齡較大，錯過了干預治療的黃金時期，這將影響孩子的一生，因此 ASD 的早期發現與早期干預很重要。大量研究表明，ASD 兒童與正常兒童的腦電信號特征確實存在差異。基于腦電信號特征識別 ASD 是目前一種有效的早期發現方法。
腦電信號能夠記錄大腦皮層的電生理現象，能夠分析 ASD 兒童的腦電特征。Catarino 等[2]用多尺度熵分析了 ASD 兒童的腦電數據，結果表明在患者的顳-頂區出現了異常復雜的腦電特性。Pablo 等[3]通過遠距離的腦功能連接的蹤跡探究正常人群中 ASD 的跡象，結果表明不僅在 ASD 兒童的靜息態腦電中檢測出各種異常，在感知和視覺等方面的腦電也有異常的特征。Coben 等[4]使用功率的方法分析了 ASD 兒童的腦電信號特征，結果表明大腦前額區出現 delta 振蕩并且大腦神經連接異常。Dawson 等[5]比較了 ASD 兒童和正常兒童的腦電功率譜，結果表明相對于正常組兒童，ASD 兒童在前額和顳區的 EEG power 較低，左半球比右半球更加明顯。Ali 等用量化 EEG 的方法發現 ASD 兒童左腦區功率譜能量低于正常兒童。李靜青等[6]從神經振蕩及神經同步的不同角度使用量化腦電方法研究 ASD 兒童的腦電，發現 ASD 兒童靜息態腦電較低頻段的振蕩增加，較高頻段的振蕩減少。
腦電信號特征的提取包括線性方法（頻譜分析和腦連接分析）和非線性方法（Lempel-Ziv 復雜度、預報誤差、協方差復雜性）[7]。由于腦電信號是一種非線性、非平穩的信號，線性分析方法的前提是假設信號為線性，這樣會丟失非線性部分所包含的全部信息，不能夠完整地描述腦電信號的本質特征。而經驗模態分解（empirical mode decomposition，EMD）是一種非線性分析方法，且根據數據自身的時間尺度特征來進行信號分解，無須預定任何基函數。這一點與建立在先驗性的諧波基函數和小波基函數上的傅里葉分解與小波分解方法具有本質差別。EMD 方法在理論上可以應用于任何類型的信號分解，由于 EMD 根據自身的時間尺度特征進行信號分解的特點，在處理非平穩及非線性數據上，具有非常明顯的優勢和很高的信噪比。EMD 分解出的固有模態函數（intrinsic mode function，IMF）能夠體現腦電信號的非線性和非平穩特征[8]。Huang 等[9]首次提出 EMD 算法，在腦電信號分析中取得了不錯的效果。陳一賢[10]通過對 EMD 算法的研究發現包絡效果最好時的相應參數。Al-Subari 等[11]將 EMD 與事件相關電位（event-related potential，ERP）結合分析腦電圖數據的源定位技術，取得了較好的準確性和魯棒性。楊航等結合 EMD 與能量特征用于運動想象腦電的特征提取，取得了較好的分類效果。因此本文采用小波變換結合 EMD，既有較好的去噪效果，又可以得到節律波的 IMF 分量，再用支持向量機（support vector machine，SVM）進行分類，以期提高 ASD 兒童與正常兒童腦電信號特征分類的準確率[12]。
1 數據
本文采用美國 EGI 公司生產的 128 導的腦電采集系統（HydroCel Geodesic Sensor Net），進行時長 5 min 的靜息態腦電采集，設定小于 50 kΩ 的阻抗，采樣率為 1 000 Hz。開始采集腦電數據時，讓受試者舒適地坐在椅子上，雙手放在腿上，以保持安靜狀態來采集睜眼靜息態的腦電數據。受試者分為測試組和對照組，測試組包括 25 例（20 例男孩，5 例女孩）5～10 歲孤獨癥兒童，對照組包括 25 例 5～10 歲的正常兒童，受試者年齡為（7.11 ± 1.48）歲。試驗過程經過倫理審查委員會批準，試驗前家屬均簽署了知情同意書，自愿參加本次試驗。試驗時要求受試者先安靜 1～2 min，使受試者進入放松狀態以便更好地采集靜息態腦電。所有正常兒童在智力和行為方面均無障礙；所有孤獨癥兒童均符合《美國精神障礙診斷與統計手冊（第四版）》的診斷，由正規醫院確診，由家長填寫的兒童孤獨癥行為量表（Autism Behavior Scale，ABC）得分均超過 62 分，可以診斷為孤獨癥，并且均為典型孤獨癥患者。招募孤獨癥兒童的標準為：① 符合孤獨癥判定的標準；② 右利手；③ 自身及其家庭沒有精神病史，如精神分裂等；④ 采集前沒有使用其他精神類藥物。
對腦電信號首先降采樣，降采樣后的采樣率為 128 Hz，用 MATLAB 的 EEGLAB 工具箱進行工頻濾波去噪、去除眼電干擾信號、去偽跡處理，按時間序列隨機截取長度為 8 s 的數據段，即每段 1 024 個采樣點，選取 16 個通道，共 16 × 1 024 × 50 個采樣點。
2 方法
2.1 技術路線
由于 ASD 患者與健康正常人在腦電節律活躍性上有所差異，而信號的非線性和非平穩特征能在各階 IMF 分量中顯示出來，因此本文首先提取了腦電信號的四種節律，對節律信號進行 EMD 分解，突出了節律的局部特性。本文將小波變換與 EMD 相結合，提取 ASD 和正常兒童的腦電信號節律特征，實現 ASD 和正常兒童腦電信號的分類評估。算法包括三個部分：① 基于小波變換，提取 alpha（8～13 Hz）、beta（13～30 Hz）、theta（4～8 Hz）和 delta（1～4 Hz）頻段的節律，提取樣本熵特征；② 對各節律波進行 EMD 分解，提取各節律波的各階 IMF 分量的平均能量特征，分別按節律波和通道整合；③ 基于 SVM 實現分類評估，比較小波熵以及小波變換結合 EMD 這兩種方法的分類準確率。
2.2 小波分析
小波分析的主要優勢是時頻域的多分辨分析，能夠有效地從信號中提取信息，通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析。本文基于小波變換實現腦電信號的節律提取。
2.3 EMD 算法
EMD 的關鍵是經驗模式分解，能使復雜信號分解為有限個 IMF 分量，所分解出的各 IMF 分量包含了原信號的不同時間尺度的局部特征信號。假設原始信號為 d（x）：
（a） 找出 d（x）信號所具有的局部極大值點和局部極小值點；對所有局部極大值點進行曲線擬合成上包絡線，所有極小值點擬合成下包絡線；求出上下包絡線的均值曲線 m（x）；
 |
（b） 從原始信號 d（x）中分離出包絡線均值曲線 m（x），得到一個剩余函數 t1（x）：
 |
如果剩余函數 t1（x）滿足 IMF 分量的兩個條件（① 在整個信號段內的過零點數和極值點數最多相差為 1，即在 IMF 中不能出現大于零的極小值，也不能出現小于零的極大值點；② 信號的上下包絡線關于時間軸成局部對稱），則該剩余函數 t1（x）為第一個 IMF 分量，否則 t1（x）將作為新的原始信號重復步驟（a）～（b），循環 K 次直到得到的剩余函數滿足 IMF 分量的兩個條件為止。此時，剩余函數作為第一個 IMF 分量，記作：
 |
本次循環不能為無限循環，Huang 最終給出一個類似柯西收斂準則的分量停止條件：
 |
一般 SD 取值在 0.1～0.3 時，迭代停止，篩分過程結束。
（c） 將 IMF 分量 u1（x）從原始信號 d（x）中分離出來，得到一個殘余信號 s1（x）：
 |
將殘余信號 s1（x）作為新的原始信號重復步驟（a）～（c），循環 n 次直到最終得到的殘余函數 sn（x）為一個單調函數或常數為止，EMD 分解過程結束，由上述公式可得出：
 |
EMD 分解得到各階 IMF 分量，根據 ASD 兒童與正常兒童腦電節律波頻率的不同來進行特征提取。
3 結果分析
3.1 特征提取
ASD 兒童與正常兒童的腦電信號頻譜功率特征在 alpha、theta 和 delta 節律有所不同[13-16]。在 alpha 節律上，ASD 兒童的頻譜功率低于正常兒童的頻譜功率[4, 17-18]；在 delta 和 theta 節律上，ASD 兒童的頻譜功率高于正常兒童的頻譜功率，且在前額區、顳區、中央和枕區比較明顯[19]。為了更好地分析 ASD 兒童各腦區的特征，在每個腦區均選擇通道進行分析。本文中選取了中央 C3、C4 通道，前額 F3、F4、F7 和 F8 通道，左右前額區 FP1、FP2 通道，枕區 O1、O2 通道，頂區 P3、P4 通道以及顳區 T3、T4、T5 和 T6 通道。
基于小波分解分別提取了每個受試者的 alpha、theta、beta 和 delta 節律并重構 alpha 波、theta 波、beta 波和 delta 波，以某一 ASD 兒童的 C3 通道為例，結果如圖 1 所示。
將重構后的腦電節律信號用 EMD 進行分解，得到 IMF 分量，如圖 2 所示。IMF 分量經過傅里葉變換得到各 IMF 分量的頻譜圖，如圖 3 所示。
圖1
重構后的腦電節律波
Figure1.
The EEG rhythms after reconstruction
圖2
IMF 分量圖
Figure2.
Components of IMFs
圖3
IMF 分量頻譜圖
Figure3.
IMFs component spectrum
EMD 分解得到的各階 IMF 分量的頻率不同，由圖 3 知，IMF 分量的階數越低，頻率越高，完整的 IMF 分量的相關特征量中包含很多與孤獨癥和正常兒童腦電相關性較小的特征值，會降低分類準確率。本文中提取的腦電頻率是 1～30 Hz，前四階 IMF 分量頻譜包含了 90% 以上的能量特征，所以取前四階 IMF 分量進行特征提取。
3.2 分析
對所提取的 ASD 兒童和正常兒童的各節律波能量特征的分類識別和獨立樣本 t 檢驗結果如表 1 所示。由表 1 可知，本文中所選取的 16 個通道，ASD 兒童和正常兒童的腦電中 delta 節律波的分類正確率最高，接近或超過了 80%，由此也證明了 ASD 兒童與正常兒童在慢波 1～4 Hz 的差異性，說明 delta 節律波特征是區分 ASD 兒童和正常兒童的一個明顯特征。對 ASD 兒童和正常兒童腦電各節律波的 IMF 分量的頻譜能量特征做獨立樣本 t 檢驗，結果表明兩組間 delta 節律波的 IMF 分量的頻譜能量的差異也有統計學意義（P < 0.05），與 delta 節律波分類正確率最高的結果一致。同時，四種節律波在 FP1、O1 和 P3 通道的分類準確率均較高，表明正常兒童和 ASD 兒童的腦電在這三個通道具有較顯著的差異性。delta 節律波異常，表明患者發育遲緩。中央頂區腦電異常，表明兒童體感能力差，感覺統合能力不足，符合 ASD 患者的表現特征。本文結果表明 ASD 兒童與正常兒童在前額、中央區的腦電差異性較大。
表1
正常兒童與孤獨癥兒童通道各節律波分類結果
Table1.
Classification of the EEG rhythms for ASD children and normal children
小波分析和 EMD 結合，提取出的節律波再進行 EMD，得到各通道各節律波的 IMF 分量，將四種節律波的 IMF 分量頻譜能量特征組合進行分類評估，結果如表 2 所示。
由表 2 可見，孤獨癥兒童與正常兒童腦電進行分類識別時，利用小波變換結合 EMD 算法，在前額 F7 通道、左前額 FP1 通道和顳區 T6 通道的分類準確率最高，均超過 90%，說明在 F7、FP1 和 T6 通道該特征最明顯，最能夠區分 ASD 與正常兒童。不同腦區對應不同功能，ASD 兒童額葉腦電異常，表明認知能力差；顳區腦電異常，表明有語言社交障礙，符合 ASD 兒童的表現特征。還可以看出，小波變換結合 EMD 算法提取 ASD 與正常兒童的腦電特征所得到的分類準確率要高于樣本熵值，分類準確率由后者的 64%（各通道準確率平均值）提高到前者的 87%（各通道準確率平均值），大大提高了 ASD 與正常兒童基于腦電信號特征的分類準確率，說明利用腦電信號節律波 IMF 分量的特征進行分類效果較好。
表2
正常兒童與孤獨癥兒童腦電分類結果
Table2.
Classification of the EEG for ASD children and normal children
4 結論
本文結合小波變換和 EMD，提取了 ASD 兒童與正常兒童的腦電信號特征，通過提取 alpha、beta、theta 和 delta 節律波并進行 EMD 分解，對四種節律波分別分解出的四階 IMF 分量的平均能量特征進行分類識別，結果表明 ASD 與正常兒童的腦電信號各節律波中 delta 節律波的分類正確率最高。本文基于小波變換結合 EMD 在 ASD 與正常兒童腦電的分類正確率高達 87%，比一般的特征提取方法如樣本熵的準確率高出將近 20%。
ASD 與正常兒童腦電信號在慢波 1～4 Hz 有顯著差異，驗證了 ASD 兒童存在認知方面的障礙。ASD 兒童存在社交障礙、發育遲緩、認知理解能力弱、重復刻板行為等問題。研究 ASD 兒童與正常兒童的腦電信號特征提取方法以及腦電信號分類識別，可以實現 ASD 的早期發現與早期干預，是一項有意義的工作。
引言
孤獨癥譜系障礙（autism spectrum disorder，ASD）是根據典型孤獨癥的核心癥狀進行擴展定義的廣泛意義上的孤獨癥。孤獨癥又稱自閉癥或孤獨性障礙，是一種廣泛性發育障礙疾病，ASD 的病因一直不明確，包括遺傳因素、神經因素和家庭心理因素等[1]。近年來，ASD 人群數量所占比例越來越多，嚴重影響著患者的生活質量，造成了沉重的家庭負擔。大多數 ASD 兒童的發育異常出現在嬰幼兒期，并且基本在 5 歲以前表現很明顯，目前尚無有效的藥物治療。有很多 ASD 兒童因確診時年齡較大，錯過了干預治療的黃金時期，這將影響孩子的一生，因此 ASD 的早期發現與早期干預很重要。大量研究表明，ASD 兒童與正常兒童的腦電信號特征確實存在差異。基于腦電信號特征識別 ASD 是目前一種有效的早期發現方法。
腦電信號能夠記錄大腦皮層的電生理現象，能夠分析 ASD 兒童的腦電特征。Catarino 等[2]用多尺度熵分析了 ASD 兒童的腦電數據，結果表明在患者的顳-頂區出現了異常復雜的腦電特性。Pablo 等[3]通過遠距離的腦功能連接的蹤跡探究正常人群中 ASD 的跡象，結果表明不僅在 ASD 兒童的靜息態腦電中檢測出各種異常，在感知和視覺等方面的腦電也有異常的特征。Coben 等[4]使用功率的方法分析了 ASD 兒童的腦電信號特征，結果表明大腦前額區出現 delta 振蕩并且大腦神經連接異常。Dawson 等[5]比較了 ASD 兒童和正常兒童的腦電功率譜，結果表明相對于正常組兒童，ASD 兒童在前額和顳區的 EEG power 較低，左半球比右半球更加明顯。Ali 等用量化 EEG 的方法發現 ASD 兒童左腦區功率譜能量低于正常兒童。李靜青等[6]從神經振蕩及神經同步的不同角度使用量化腦電方法研究 ASD 兒童的腦電，發現 ASD 兒童靜息態腦電較低頻段的振蕩增加，較高頻段的振蕩減少。
腦電信號特征的提取包括線性方法（頻譜分析和腦連接分析）和非線性方法（Lempel-Ziv 復雜度、預報誤差、協方差復雜性）[7]。由于腦電信號是一種非線性、非平穩的信號，線性分析方法的前提是假設信號為線性，這樣會丟失非線性部分所包含的全部信息，不能夠完整地描述腦電信號的本質特征。而經驗模態分解（empirical mode decomposition，EMD）是一種非線性分析方法，且根據數據自身的時間尺度特征來進行信號分解，無須預定任何基函數。這一點與建立在先驗性的諧波基函數和小波基函數上的傅里葉分解與小波分解方法具有本質差別。EMD 方法在理論上可以應用于任何類型的信號分解，由于 EMD 根據自身的時間尺度特征進行信號分解的特點，在處理非平穩及非線性數據上，具有非常明顯的優勢和很高的信噪比。EMD 分解出的固有模態函數（intrinsic mode function，IMF）能夠體現腦電信號的非線性和非平穩特征[8]。Huang 等[9]首次提出 EMD 算法，在腦電信號分析中取得了不錯的效果。陳一賢[10]通過對 EMD 算法的研究發現包絡效果最好時的相應參數。Al-Subari 等[11]將 EMD 與事件相關電位（event-related potential，ERP）結合分析腦電圖數據的源定位技術，取得了較好的準確性和魯棒性。楊航等結合 EMD 與能量特征用于運動想象腦電的特征提取，取得了較好的分類效果。因此本文采用小波變換結合 EMD，既有較好的去噪效果，又可以得到節律波的 IMF 分量，再用支持向量機（support vector machine，SVM）進行分類，以期提高 ASD 兒童與正常兒童腦電信號特征分類的準確率[12]。
1 數據
本文采用美國 EGI 公司生產的 128 導的腦電采集系統（HydroCel Geodesic Sensor Net），進行時長 5 min 的靜息態腦電采集，設定小于 50 kΩ 的阻抗，采樣率為 1 000 Hz。開始采集腦電數據時，讓受試者舒適地坐在椅子上，雙手放在腿上，以保持安靜狀態來采集睜眼靜息態的腦電數據。受試者分為測試組和對照組，測試組包括 25 例（20 例男孩，5 例女孩）5～10 歲孤獨癥兒童，對照組包括 25 例 5～10 歲的正常兒童，受試者年齡為（7.11 ± 1.48）歲。試驗過程經過倫理審查委員會批準，試驗前家屬均簽署了知情同意書，自愿參加本次試驗。試驗時要求受試者先安靜 1～2 min，使受試者進入放松狀態以便更好地采集靜息態腦電。所有正常兒童在智力和行為方面均無障礙；所有孤獨癥兒童均符合《美國精神障礙診斷與統計手冊（第四版）》的診斷，由正規醫院確診，由家長填寫的兒童孤獨癥行為量表（Autism Behavior Scale，ABC）得分均超過 62 分，可以診斷為孤獨癥，并且均為典型孤獨癥患者。招募孤獨癥兒童的標準為：① 符合孤獨癥判定的標準；② 右利手；③ 自身及其家庭沒有精神病史，如精神分裂等；④ 采集前沒有使用其他精神類藥物。
對腦電信號首先降采樣，降采樣后的采樣率為 128 Hz，用 MATLAB 的 EEGLAB 工具箱進行工頻濾波去噪、去除眼電干擾信號、去偽跡處理，按時間序列隨機截取長度為 8 s 的數據段，即每段 1 024 個采樣點，選取 16 個通道，共 16 × 1 024 × 50 個采樣點。
2 方法
2.1 技術路線
由于 ASD 患者與健康正常人在腦電節律活躍性上有所差異，而信號的非線性和非平穩特征能在各階 IMF 分量中顯示出來，因此本文首先提取了腦電信號的四種節律，對節律信號進行 EMD 分解，突出了節律的局部特性。本文將小波變換與 EMD 相結合，提取 ASD 和正常兒童的腦電信號節律特征，實現 ASD 和正常兒童腦電信號的分類評估。算法包括三個部分：① 基于小波變換，提取 alpha（8～13 Hz）、beta（13～30 Hz）、theta（4～8 Hz）和 delta（1～4 Hz）頻段的節律，提取樣本熵特征；② 對各節律波進行 EMD 分解，提取各節律波的各階 IMF 分量的平均能量特征，分別按節律波和通道整合；③ 基于 SVM 實現分類評估，比較小波熵以及小波變換結合 EMD 這兩種方法的分類準確率。
2.2 小波分析
小波分析的主要優勢是時頻域的多分辨分析，能夠有效地從信號中提取信息，通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析。本文基于小波變換實現腦電信號的節律提取。
2.3 EMD 算法
EMD 的關鍵是經驗模式分解，能使復雜信號分解為有限個 IMF 分量，所分解出的各 IMF 分量包含了原信號的不同時間尺度的局部特征信號。假設原始信號為 d（x）：
（a） 找出 d（x）信號所具有的局部極大值點和局部極小值點；對所有局部極大值點進行曲線擬合成上包絡線，所有極小值點擬合成下包絡線；求出上下包絡線的均值曲線 m（x）；
|
（b） 從原始信號 d（x）中分離出包絡線均值曲線 m（x），得到一個剩余函數 t1（x）：
|
如果剩余函數 t1（x）滿足 IMF 分量的兩個條件（① 在整個信號段內的過零點數和極值點數最多相差為 1，即在 IMF 中不能出現大于零的極小值，也不能出現小于零的極大值點；② 信號的上下包絡線關于時間軸成局部對稱），則該剩余函數 t1（x）為第一個 IMF 分量，否則 t1（x）將作為新的原始信號重復步驟（a）～（b），循環 K 次直到得到的剩余函數滿足 IMF 分量的兩個條件為止。此時，剩余函數作為第一個 IMF 分量，記作：
|
本次循環不能為無限循環，Huang 最終給出一個類似柯西收斂準則的分量停止條件：
|
一般 SD 取值在 0.1～0.3 時，迭代停止，篩分過程結束。
（c） 將 IMF 分量 u1（x）從原始信號 d（x）中分離出來，得到一個殘余信號 s1（x）：
|
將殘余信號 s1（x）作為新的原始信號重復步驟（a）～（c），循環 n 次直到最終得到的殘余函數 sn（x）為一個單調函數或常數為止，EMD 分解過程結束，由上述公式可得出：
|
EMD 分解得到各階 IMF 分量，根據 ASD 兒童與正常兒童腦電節律波頻率的不同來進行特征提取。
3 結果分析
3.1 特征提取
ASD 兒童與正常兒童的腦電信號頻譜功率特征在 alpha、theta 和 delta 節律有所不同[13-16]。在 alpha 節律上，ASD 兒童的頻譜功率低于正常兒童的頻譜功率[4, 17-18]；在 delta 和 theta 節律上，ASD 兒童的頻譜功率高于正常兒童的頻譜功率，且在前額區、顳區、中央和枕區比較明顯[19]。為了更好地分析 ASD 兒童各腦區的特征，在每個腦區均選擇通道進行分析。本文中選取了中央 C3、C4 通道，前額 F3、F4、F7 和 F8 通道，左右前額區 FP1、FP2 通道，枕區 O1、O2 通道，頂區 P3、P4 通道以及顳區 T3、T4、T5 和 T6 通道。
基于小波分解分別提取了每個受試者的 alpha、theta、beta 和 delta 節律并重構 alpha 波、theta 波、beta 波和 delta 波，以某一 ASD 兒童的 C3 通道為例，結果如圖 1 所示。
將重構后的腦電節律信號用 EMD 進行分解，得到 IMF 分量，如圖 2 所示。IMF 分量經過傅里葉變換得到各 IMF 分量的頻譜圖，如圖 3 所示。
圖1
重構后的腦電節律波
Figure1.
The EEG rhythms after reconstruction
圖2
IMF 分量圖
Figure2.
Components of IMFs
圖3
IMF 分量頻譜圖
Figure3.
IMFs component spectrum
EMD 分解得到的各階 IMF 分量的頻率不同，由圖 3 知，IMF 分量的階數越低，頻率越高，完整的 IMF 分量的相關特征量中包含很多與孤獨癥和正常兒童腦電相關性較小的特征值，會降低分類準確率。本文中提取的腦電頻率是 1～30 Hz，前四階 IMF 分量頻譜包含了 90% 以上的能量特征，所以取前四階 IMF 分量進行特征提取。
3.2 分析
對所提取的 ASD 兒童和正常兒童的各節律波能量特征的分類識別和獨立樣本 t 檢驗結果如表 1 所示。由表 1 可知，本文中所選取的 16 個通道，ASD 兒童和正常兒童的腦電中 delta 節律波的分類正確率最高，接近或超過了 80%，由此也證明了 ASD 兒童與正常兒童在慢波 1～4 Hz 的差異性，說明 delta 節律波特征是區分 ASD 兒童和正常兒童的一個明顯特征。對 ASD 兒童和正常兒童腦電各節律波的 IMF 分量的頻譜能量特征做獨立樣本 t 檢驗，結果表明兩組間 delta 節律波的 IMF 分量的頻譜能量的差異也有統計學意義（P < 0.05），與 delta 節律波分類正確率最高的結果一致。同時，四種節律波在 FP1、O1 和 P3 通道的分類準確率均較高，表明正常兒童和 ASD 兒童的腦電在這三個通道具有較顯著的差異性。delta 節律波異常，表明患者發育遲緩。中央頂區腦電異常，表明兒童體感能力差，感覺統合能力不足，符合 ASD 患者的表現特征。本文結果表明 ASD 兒童與正常兒童在前額、中央區的腦電差異性較大。
表1
正常兒童與孤獨癥兒童通道各節律波分類結果
Table1.
Classification of the EEG rhythms for ASD children and normal children
小波分析和 EMD 結合，提取出的節律波再進行 EMD，得到各通道各節律波的 IMF 分量，將四種節律波的 IMF 分量頻譜能量特征組合進行分類評估，結果如表 2 所示。
由表 2 可見，孤獨癥兒童與正常兒童腦電進行分類識別時，利用小波變換結合 EMD 算法，在前額 F7 通道、左前額 FP1 通道和顳區 T6 通道的分類準確率最高，均超過 90%，說明在 F7、FP1 和 T6 通道該特征最明顯，最能夠區分 ASD 與正常兒童。不同腦區對應不同功能，ASD 兒童額葉腦電異常，表明認知能力差；顳區腦電異常，表明有語言社交障礙，符合 ASD 兒童的表現特征。還可以看出，小波變換結合 EMD 算法提取 ASD 與正常兒童的腦電特征所得到的分類準確率要高于樣本熵值，分類準確率由后者的 64%（各通道準確率平均值）提高到前者的 87%（各通道準確率平均值），大大提高了 ASD 與正常兒童基于腦電信號特征的分類準確率，說明利用腦電信號節律波 IMF 分量的特征進行分類效果較好。
表2
正常兒童與孤獨癥兒童腦電分類結果
Table2.
Classification of the EEG for ASD children and normal children
4 結論
本文結合小波變換和 EMD，提取了 ASD 兒童與正常兒童的腦電信號特征，通過提取 alpha、beta、theta 和 delta 節律波并進行 EMD 分解，對四種節律波分別分解出的四階 IMF 分量的平均能量特征進行分類識別，結果表明 ASD 與正常兒童的腦電信號各節律波中 delta 節律波的分類正確率最高。本文基于小波變換結合 EMD 在 ASD 與正常兒童腦電的分類正確率高達 87%，比一般的特征提取方法如樣本熵的準確率高出將近 20%。
ASD 與正常兒童腦電信號在慢波 1～4 Hz 有顯著差異，驗證了 ASD 兒童存在認知方面的障礙。ASD 兒童存在社交障礙、發育遲緩、認知理解能力弱、重復刻板行為等問題。研究 ASD 兒童與正常兒童的腦電信號特征提取方法以及腦電信號分類識別，可以實現 ASD 的早期發現與早期干預，是一項有意義的工作。
