005基于Hilbert振动分解的神经网络癫痫发作预测-2020

Hilbert Vibration Decomposition-based epileptic seizure prediction with neural network

 A B S T R A C T

癫痫是世界上最突出的大脑疾病之一，癫痫患者会突然发作，这对他们的生活有很大的负面影响。因此，癫痫发作预测系统在克服癫痫患者所经历的困难方面是必不可少的。本研究设计并演示了一个非患者特异性癫痫发作预测系统，该系统使用希尔伯特振动分解(HVD)方法对来自CHB-MIT数据库的10名患者的表面脑电图记录进行分析。利用滑动窗口的HVD将18个通道的脑电信号分解为7个子分量。然后，这些来自所有通道的子组件被用于计算将被输入MLP分类器的特征。分类过程同时对所有患者执行，并且不向分类器传递有关患者身份的信息。在分类阶段之后，开发了一种评估预测发作频率的报警算法。患者的分类敏感性平均为19.89%。该敏感性在120分钟内平均提高到89.8%，在报警创建后，患者的癫痫预测时间为4分钟，平均误报率为0.081/小时。

1. Introduction

癫痫是一种脑部疾病，其特征是由于部分或整个大脑[1]的神经元过度激活或同步，导致大脑活动突然异常。据估计，全世界有5000多万人患有癫痫，约为每1000人中有8人，其中约有一半的人患有活动性癫痫发作[2]。癫痫发作对患者的影响从轻微的行为变化到完全失去意识和肌肉控制[3]。因此，癫痫患者在日常生活中会不同程度地经历与癫痫发作相关的不适。癫痫病人发生事故和受伤的风险更高，仅仅是因为癫痫发作相关的事件[4]，以及抑郁症[5]的高发率。据报道，与健康儿童相比，癫痫儿童遭受的伤害更多，因此需要父母监督[6]。癫痫患者在怀孕期间的风险也更大。在妊娠中，如果母亲是癫痫，则更有可能导致意外的情况发生，如流产或产后并发症。由此可见，癫痫发作对患者及其社交圈造成了严重的困难。

虽然抗癫痫药物(AED)经常应用于新诊断的癫痫患者，但最近的医学文献指出，AED完全控制癫痫的成功率约为64%，自2000年以来没有变化[8-10]。在剩余的患者池中，约25%或约70%的耐药癫痫患者在接受癫痫手术后实现了长期癫痫控制[11]。从某种意义上说，这些比率是有希望的，因为大约90%的癫痫患者在医疗干预下能够享受无癫痫发作的自由。另一方面，这一信息也意味着大约10%的癫痫发作患者对治疗没有反应，这一人群约为250万人。这些数字揭示了癫痫控制的其他预防性方法的必要性。如[12]所指出的，这些方法如果成功并适用于对患者的低负荷，可能会显著增加癫痫发作对患者生活的不良影响。为此，人们广泛研究的课题之一是癫痫发作检测。本研究领域的重点是癫痫发作阶段的检测，通常通过监测癫痫脑[13]的脑电图(EEG)记录。由于脑电图记录提供高时间解，采样率通常在250 ~ 2000 Hz之间，可以在记录中捕获癫痫的特征，因此脑电图是癫痫信号记录的首选方法。

一项研究应用离散小波变换对EEG信号进行分解，并使用二进制分类器实现了97%的准确率，以检测记录中的模式。在[14]中，经验模态分解(EMD)在从脑电图[15]等非线性和非平稳信号中提取子成分方面表现良好，被用于分解正常、间歇和间歇脑电图记录。然后利用均值和标准差等统计特征，利用支持向量机(SVM)对提取的子成分进行分类，分类精度在85%以上另一项研究提出使用EMD对EEG信号进行分解，以区分发作性振荡和无发作性振荡，然后用支持向量机[16]进行分类。这种二元分类视角使用不同的支持向量机分类器核函数获得了88%以上的准确率。以方差、偏度和峰度为特征的神经网络分类器，采用EMD方法对癫痫脑电图多类分类问题进行了研究，准确率达到100%。另一种信号分解方法希尔伯特振动分解(HVD)也被提出用于分解非线性和非平稳信号[17]，特别用于机器故障诊断[18]、心电图信号基线漂移去除[19]和系统识别[20]。首次将HVD应用于脑电信号，利用脑电信号的δ、θ和α波段进行癫痫发作的最小二乘支持向量机分类器，分类精度达到97.6%[21]。

在文献中也有许多研究从脑电图记录来预测癫痫发作的问题。Iasemidis & Sackellares的研究表明，大脑皮层的脑电图记录在从发作间期到发作前和发作后状态[22]的过渡过程中呈现混沌-有序-混沌模式。他们能够通过估计脑电图记录中最大的李亚普诺夫指数随时间的变化来量化系统的混沌。随后，Mormann等人研究了脑电图信号在发作间期和发作前间期[23]时相同步的差异。使用平均相位相干性作为同步度量，他们发现平均相位相干性稳步增加导致癫痫发作。Iasemidis等人利用他们之前的研究结果，基于最大李亚普诺夫指数的收敛性来预测癫痫发作，实现了83%的灵敏度，错误预测率为0.17/h[24]。Gigola等人使用基于小波的方法来估计癫痫患者脑电图信号[25]的累积能量。他们的框架预测了13次癫痫发作中的12次。Costa等人进行了一项研究，报告了几个网络对来自一个病人的数据的训练，并评估了另一个病人的表现。[26]。研究结果表明，当分类器在一个病人身上训练和测试，或在两个病人身上训练和测试其中一个病人。准确率达99%。然而，针对一名患者训练的分类器无法在另一名患者身上显示出如此高的性能，因为在这种情况下，结果的准确性降至2%。在[27]中，Dourado等人进一步评估了患者之间癫痫模式的不良转换。他们报告了类似的结果，当一个网络在一个病人身上训练并在另一个病人身上测试时，敏感度得分低至0。Schelter等人测试了不同癫痫发作预测技术的统计学意义，并报道了平均灵敏度为70%，错误预测率为0.15/h[28]。

FeldwischDrentrup等人报道了一种有前途的新方法。[29]。本研究报道了平均相位相干和动态相似指数方法的“与”和“或”组合可以提高两种方法各自的性能，“与”方法的灵敏度值从约25%提高到43.2%，“或”方法的灵敏度值提高到35.2%。Chisci等人通过自回归建模脑电图信号来解决这个问题，并使用支持向量机进行分类，其中分类特征为自回归系数[30]。他们的研究报告显示，100%的敏感性，误报率低至0/h。为了减少在对早熟期进行分类时需要考虑的特征数量，Direito等人评估了几个特征，以确定这些特征[31]的广义预测能力。他们报告说，在一组三名患者身上，他们发现了不同的癫痫发作前模式，这再次表明需要针对患者量身定制算法。Feldwisch-Drentrup等人提出了一个不同的观点，他们在一组21名患者身上提出了大量的假警报，随后出现了亚临床癫痫发作[32]。这将表明存在一种潜在模式的可能性，这种模式发生在预期内外，而学习算法实际上能够检测到这些模式