013利用脑电信号自动检测和诊断癫痫发作的深度卷积神经网络-2017(800引用)

Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals

ABSTRACT 

脑电图(EEG)是一种常用的辅助测试，有助于癫痫的诊断。EEG信号包含关于大脑电活动的信息。传统上，神经学家采用直接视觉检查来识别癫痫样异常。这种技术可能是耗时的，受技术人工制品的限制，根据读者的专业水平提供可变的结果，并且在识别异常方面是有限的。因此，有必要开发一个计算机辅助诊断(CAD)系统，利用机器学习技术自动识别这些脑电信号的类别。这是首次采用卷积神经网络(CNN)分析脑电信号的研究。在这项工作中，一个13层深度卷积神经网络(CNN)算法被用来检测正常，发作前和发作类。所提出的技术分别实现了88.67%、90.00%和95.00%的准确性、特异性和敏感性。

INTRODUCTION 

根据世界卫生组织(世卫组织)的统计，全世界有近5000万人患有癫痫[1]。据估计，每年有240万人被诊断患有癫痫[1]。癫痫发作是由于一组神经元中不受控制的放电造成的。[2, 3].

过度的放电会导致大脑功能的破坏。当至少两次无缘无故的癫痫发作复发时，诊断为癫痫。它可以影响任何年龄的任何人。为了启动抗癫痫药物治疗并随后降低未来癫痫发作和癫痫相关并发症的风险，对患者而言，及时准确的癫痫诊断至关重要[5]。目前，癫痫的诊断是通过获得详细的病史、进行神经学检查以及诸如神经成像和EEG的辅助测试来进行的。

EEG信号可以识别发作间(发作之间)和发作期间(发作期间)癫痫样异常。图1显示了健康受试者和癫痫患者大脑中的电活动的图示。通常，神经元通过电信号进行交流。

因此，在正常的大脑活动中，这些电信号是正常调节的[3](见图1中的正常活动)。然而，在癫痫发作期间，致痫神经网络的超同步电活动异常增加。这种活动可能局限于大脑的一部分，或者扩散到整个大脑。在这两种情况下，患者可能会出现临床癫痫发作(参见图1中的癫痫发作活动)[3]。神经病学家通过直接视觉检查仔细检查EEG，以调查癫痫样异常，这可以提供关于患者癫痫的类型和病因学的有价值的信息。然而，通过视觉评估解释EEG信号是非常耗时的，特别是随着门诊病人动态EEG和住院病人连续视频EEG记录的使用增加，需要手动审查几个小时或几天的EEG数据[6]。大多数EEG软件包括某种形式的自动癫痫发作检测，然而，由于预定癫痫发作检测算法的灵敏度和特异性较差，当前形式的自动癫痫发作检测很少用于临床实践。此外，视觉检查的固有性质导致基于EEG读取器在脑电图学方面的专业水平的不同临床解释。

使事情复杂化的是，研究的质量可能会被干扰的人为信号所混淆，限制了读者准确识别异常的能力。此外，常规门诊研究的低产量造成了另一个问题。癫痫患者可以去做门诊脑电图，研究可能完全正常。这是因为癫痫患者的大脑通常不会持续发出癫痫放电。 脑电图只是记录时大脑的“快照”。识别癫痫放电的灵敏度可以通过让患者回来进行重复的门诊研究或通过家庭流动研究或住院连续视频EEG监测研究对其进行更长时间的记录来提高，这对于患者和阅读EEG的医生来说都是昂贵且费时的。由于几个不同的原因，病人被转到癫痫监视单元进行住院病人连续视频EEG监视。通常在癫痫的诊断不明确时进行，即患者的病史不典型于癫痫发作，或可能代表临床上类似于癫痫发作的另一种情况，即晕厥，或如果服用抗癫痫药物后癫痫发作频率没有改善。病人被送进医院，并连着几天接受脑电图检查。如果他们正在服用抗癫痫药物，就要停药。对他们来说，最重要的是当他们被连接到脑电图机器上时，他们会有癫痫或类似癫痫的事件。然后，训练有素的神经病学家或癫痫学家结合EEG的视觉检查来分析事件的临床特征，以确定患者是否患有癫痫。数据量的增加也允许癫痫学家寻找发作间异常。通常，在癫痫发作期间，脑电图活动变得非常异常，并且可以清楚地确定患者的事件是癫痫还是非癫痫。与正常EEG信号相比，癫痫EEG信号更加混乱并且变化更大。在癫痫发作期间，神经放电突然激增，导致EEG信号的差异增加。癫痫发作期间大脑半球的神经元不工作并产生异常的电活动。因此，癫痫发作期间可用于数据处理的神经元数量减少。然而，有时这可能非常困难，因为一些患有癫痫的患者，通常是患有额叶癫痫或源自深源或非常小的区域的癫痫发作的患