001一种儿童癫痫发作的非通道广义癫痫检测方法-2021

A channel independent generalized seizure detection method for pediatric epileptic seizures-2021

摘要：

背景和目的：癫痫是一种中枢神经系统疾病，据世界卫生组织估计，全世界约有5000万人患有癫痫。脑电(EEG)是分析和研究癫痫发作期间大脑神经元活动的细微变化的最常见和非侵入性的方法之一。可以分析这些变化，以开发一个自动化系统，断言即将发生癫痫发作的可能性。由于癫痫发作的多变性影响患者的正常生活，因此，开发新方法的进展将提高生活质量，并为医疗部门提供帮助。该方法的目的是避免EEG通道的选择，利用所有输入的EEG通道特征来设计一个通用的癫痫发作检测框架。

方法：在本工作中，我们提出了一个(LSTM)长短时记忆网络，该网络并不复杂，并且能够从无创和有创的脑电记录中有效地检测癫痫发作。所提出的框架简单而有效，并且设计成可以使用原始脑电信号来检测癫痫发作。此外，还遵循了一种与通道无关的通用方法，使得所提出的体系结构可以有效地检测属于大脑任何半球的EEG信号。

结果：在波士顿-麻省理工学院儿童医院数据集上，自动癫痫检测系统达到了99.9%的高癫痫检测灵敏度，每小时0.003的低假阳性率。而在Inselspal Bern数据集上的大学神经学系睡眠-觉醒-癫痫中心，敏感度为99.4%，假阳性率为每小时0.006。该模型的收敛分析为癫痫发作的有效检测提供了大量的可靠性和正确性。

结论：对非侵入性和有创性脑电信号的评估表明，该框架适用于不同类型的脑电记录，因为不同的度量给出了令人满意的结果。由于该结构简单，不需要任何额外的参数优化技术，在不影响精度的情况下减少了处理开销。因此，它可以作为监测癫痫发作的一种有效方法。

1. Introduction

        癫痫的基础介绍

        通常，癫痫发作的发作是普遍表现的异常电活动，表现为正常大脑活动[6]的明显变化。尖波和慢波[7,8]标志着这些变化，被认为是癫痫发作[19]的标志性特征。为了分析这些显著的变化，医生用于研究大脑活动的最广泛接受的非侵入性技术是通过提供了值得称赞的时间分辨率的EEG。

        通过脑电图可以精确地捕捉癫痫事件，并且可以很容易地将不同的发作期和发作间期与正常事件区分开来[1 1]。脑电图记录的视觉评价需要神经科专家的介入。由于对大量脑电图记录进行物理分析既耗时又费力，因此癫痫发作事件的自动诊断越来越受关注。自动癫痫发作检测系统[14,22]将为更容易、更快地诊断癫痫发作事件铺平道路，使误判和错误最小化。尽管一项致力于提供癫痫发作前持续时间[20]及其形态的关键方面的研究仍缺乏实质性证据，但癫痫发作检测系统的发展将改变患者的治疗和管理[15,4]。制定检测策略是一项具有挑战性的任务，因为癫痫发作是患者特异性的，每一次癫痫发作都有独特的特征。为了实现精确的癫痫检测，整合广泛的时间和空间信息是必要的。由于患者需要长时间的药物治疗，因此，在癫痫发作前制定预警策略将有利于人类的快速干预[17,18]。

        在过去的几十年里，研究人员致力于使用不同类型的算法进行有效的癫痫检测[23]。自动癫痫检测主要由两个主要步骤组成[22]。第一步是对相关特征的信号进行分析和处理。频域、时域、时频域和非线性方法主要用于从EEG信号中提取特征[13]。第二阶段包括使用提取的时间和空间特征对信号进行分类。传统的分类器通常遵循自动癫痫分类的两个阶段。

癫痫发作的检测主要依赖于两种不同的方法[24]。在一种方法中，发作前和发作间记录被认为是对状态进行分类和区分，而在第二种方法中，阈值被认为是不同特征的阈值，当超过阈值时，导致产生警报。

        虽然两阶段方法比较复杂，需要对信号进行一定的某些处理，但取得了较好的效果。机器学习的进步和深度学习的突破为设计能够自动学习特征的模型铺平了道路。[25]使用基于神经网络的ScoreNet模型研究了长时间脑电图记录中的发作发作和发作偏移。ScoreNet使用相邻时期评分技术来识别发作时期，然后将它们组合成一个组。分析各期的预测值，以确定癫痫发作的开始和结束。另外，基于骰子相似度的一个不同的代价函数(log-dice loss)[25]被作者用来模拟他们提出的方法的损失函数。虽然变异[26]常被用作特征来观察癫痫发作时脑电图信号的变化，但癫痫患者的信号频谱变化并不均匀。正常事件和癫痫发作期间的能量差异在子带间变化不均匀。因此在[26]中，除了方差，还考虑了脑电图信号的功率谱密度来计算子带能量.

        [28]利用异常生成对抗网络(AnoGAN)利用时频方差来学习脑电信号发生事件的频谱变化。AnoGAN是一种具有视觉信息学习能力的深度卷积生成对抗网络。Wen等人[27]使用自编码和深度CNN从脑电图信号中提取最优特征。采用自编码器提取特征，可以提高深度学习模型的收敛速度，从而缩短模型的训练时间。

        稀疏去噪自动编码器已被用于以非监督方式从不同EEG通道学习特征，用于有效识别大脑异常。为了避免对脑电信号进行预处理，采用了具有多个卷积块的CNN来学习脑电信号的相关特征。这些提取的特征然后被用作嵌套LSTM模型的输入，以理解和探索EEG信号的固有特征[30]。使用滑动窗口将每个EEG信号分解成具有固定采样点的段。对EEG信号进行分段是为了评估每个分段对信号的影响以及它如何影响他们提出的方法的识别能力。

        在[31]中，作者将多个卷积层与最大池化层和全连接层结合起来，从EEG信号中提取特征，以区分正常、发作前和发作期。Tsiouris等人[32]在他们的工作中使用了与时域、频域、相关和图论相关的各种特征。在用于LSTM分类器之前，已经使用了5秒的片段来提取每个特征技术。不同的LSTM构型已经在一种针对患者的方法中进行了测试，以区分发作前和不同的发作间期亚组。Hossain等人[33]使用深度CNN模型提取了频谱和时间特征，用于自动癫痫发作检测，并理解癫痫发作的细微差别，从而使开发的模型不易受EEG信号变化的影响。可视化技术有助于绘制有助于定位癫痫发作的大脑活动图，还显示了不同频段的空间特征分布。Thara等人[35]在他们的工作中表明，良好的缩放技术同样重要，并使用CNN模型提取特征，合并递增和递减序列，以指出信号波形的特征。

        作者使用数据增强以及增减序列的合并来突出使用感知组织原理从样本中获得的信息[36]。不同的合并规则用于合并EEG信号中的不同波形和峰值。这不仅有助于突出信号中峰值的形状，也有助于抑制轻微的波动。在使用深度学习算法之前，已经使用短时傅里叶变换将EEG信号转换为灰度图像[37]，因为它在时域和频域中包含有助于检测癫痫发作的必要信息。Usman等人[38]使用卷积神经网络提取特征，用于在发作前和发作间期之间进行分类。作者用传统分类器（如支持向量机（SVM））替换了CNN的全连接层，以识别不同的状态。为了保持EEG信号的内在特性，[39]中使用了