014基于深度学习的脑电癫痫自动检测系统-2018(300引用)

最新推荐文章于 2024-06-22 09:51:32 发布

爱吃榴莲的妹妹

最新推荐文章于 2024-06-22 09:51:32 发布

阅读量2.5k

点赞数

分类专栏：脑电研究论文研读文章标签：深度学习人工智能

本文链接：https://blog.youkuaiyun.com/Crystalxxtt/article/details/127510688

版权

An automated system for epilepsy detection using EEG brain signals based on deep learning approach

a b s t r a c t

癫痫是一种威胁生命和具有挑战性的神经系统疾病，影响着世界各地的大量人群。对于其检测，脑电图(EEG)是一种常用的临床方法，但人工检查EEG脑信号是一个费时费力的过程，给神经科医生带来了沉重的负担，影响了他们的工作表现。已经提出了几种使用传统方法来帮助神经科医生的自动系统，这些系统在检测二元癫痫情况(例如正常对发作)时表现良好，但是在分类三元情况(例如发作对正常与发作间期)时性能下降。为了克服这个问题，我们提出了一个系统，它是金字塔一维卷积神经网络(P-1D-CNN)模型的集成。虽然CNN模型学习数据的内部结构，并且优于手工设计的技术，但主要问题是大量可学习的参数，这些参数的学习需要大量的数据。为了克服这个问题，P-1D- CNN致力于细化方法的概念，与标准CNN模型相比，它涉及的参数减少了61%，因此具有更好的通用性。为了进一步克服少量数据的限制，我们提出了两种增强方案。我们在基准数据集波恩大学数据集上测试了该系统；在几乎所有与癫痫检测相关的情况下，它的准确率为99.1±0.9%，优于最先进的系统。此外，在享有CNN模型的优势的同时，P-1D-CNN模型需要少61%的存储空间，并且其检测时间非常短(< 0.0 0 0481 s)，因此其适合于实时临床设置。这将减轻神经科医生的负担，并有助于患者在癫痫发作前提醒他们。提出的P-1D- CNN模型不仅适用于癫痫检测，而且可以用于开发针对其他类似疾病的健壮专家系统。

1. Introduction

癫痫是一种神经系统疾病，影响着全球约5000万人(Megiddo et al.， 2016)。脑电图(EEG)是一种有效的非侵入性技术，通常用于监测大脑活动和癫痫的诊断。脑电图读数由神经学家分析，以检测和分类疾病的模式，如发作前期和癫痫发作。目测费时费力;检查一个病人一天的脑电图记录需要很多小时，而且需要专家的服务。因此，对患者脑电图脑信号的分析给神经科医生带来了沉重的负担，降低了他们的工作效率。这些限制促使人们努力设计和开发自动系统，以帮助神经学家对癫痫和非癫痫脑电图脑信号进行分类。

最近，人们开展了大量的研究工作来将癫痫和非癫痫信号分类(Gardner，Krieger，Vachtsevanos，&Litt，2006；Meier，Dittrich，Schulze-Bonhage，&Aertsen，2008；Mirowski，Madhavan，LeCun，&Kuzniecky，2009；Sheb&Guttag，2010)。从机器学习的角度来看，癫痫和非癫痫脑电信号的识别是一项具有挑战性的任务。通常，由于癫痫发作的罕见，有少量的癫痫数据可用于训练分类器。此外，数据中噪声和伪影的存在造成了学习与正常、发作和非发作病例相关的大脑模式的困难。由于患者的癫痫形态不一致，这一难度进一步增加(McShane，2004)。现有的癫痫发作自动检测技术使用传统的信号处理(SP)和最大似然技术。其中许多技术对一个问题表现出很好的准确性，但对其他问题却不能准确执行。他们对癫痫发作和非癫痫发作病例进行分类的准确性很好，但在正常发作与发作间歇期的情况下表现较差(Zhang，Chen，&Li，2017)。由于三个原因，它仍然是一个具有挑战性的问题：1)不存在可以将二进制和三元问题分类的广义模型(即正常vs.发作vs.发作间期)，ii)较少可用的标记数据，以及iii)低准确度。为了帮助和辅助神经学家，我们需要一种通用的自动系统，即使使用较少的训练样本也能提供良好的性能(Andrzejak等人，2001；Sharmila&Geethanjali，2016)。

现有的检测癫痫发作的方法使用手工设计的技术从脑电信号中提取特征。一些方法使用来自EEG信号的信息的频谱(Tzallas等人，2012)和时间角度(Shoeb，2009)。脑电信号包含具有长时间周期的低频特征和具有短时间周期的高频特征(Adeli，周和爸爸-Mehr，2003)，即特征之间存在一种层次。深度学习是一种先进的最大似然学习方法，它自动编码特征的层次结构，这些特征不依赖于数据，并适应数据的内部结构，在许多应用中显示了良好的结果。此外，使用DL模型提取的特征被证明比手工设计的特征更具区分性和健壮性(LeCun&Bengio，1995)。为了提高癫痫和非癫痫脑电信号分类的准确性，提出了一种基于DL的分类方法。

最近出现的数字图书馆技术在几个应用领域表现出了显著的性能。深度CNN的变种，即。2D CNN如AlexNet(Krizevsky，Sutskever，&Hinton，2012)、VGG(Simonyan&Zisserman，2014)等或3D网络如3D CNN Ji，Xu，Yang，&Yu，2013)，C3D(Tran，Bourdev，Fergus，Tor-resani，&Paluri，2015)等在许多领域都表现出色。最近，1D-CNN已经成功地用于文本理解、音乐生成和其他时间序列数据(Cui，Chen，&Chen，2016；Ince等人，2016；LeCun，Bottou，Bengio，&Haffner，1998；Zhang&LeCun，2015)。DL方法的端到端学习范式避免了为提取和选择最具区分性的特征而选择适当的特征抽取器和特征子集选择器的适当组合，这些特征将由合适的分类器分类(Andrzejak等人，2001；Hussain，Aboalsamh，Abdul，Bamatraf和Ullah，2016；Sharmila&Geethanjali，2016；Zhang等人，2017)。虽然传统的学习方法训练速度快于动态学习方法，但在测试时速度慢得多，不能很好地推广。经过训练的深度模型可以在几分之一秒内对样本进行测试，适合于实时应用，唯一的瓶颈是需要大量的数据和较长的训练时间。为了克服这一问题，需要引入一种增强方案，该方案可以帮助以最佳方式使用少量可用数据来训练深度模型。

由于脑电记录是一维信号，我们提出了一种金字塔状的1D-CNN(P-1D-CNN)模型来检测癫痫，该模型包含的可学习参数要少得多。由于可用的数据量很小，因此，为了训练P-1D-CNN，我们提出了两种增强方案。使用训练好的P-1D-CNN模型作为专家，设计了一个P-1D-CNN模型集成系统，该系统采用多数投票策略融合局部决策来检测癫痫。该系统提取一个EEG信号，用固定大小的滑动窗口对其进行分割，并将子信号传递给基本P-1D-CNN模型(图2)，由P-1D-CNN模型对其进行处理，并将局部决策传递给多数投票模块。最后，多数票模块作出最终决定(图1)。在不同的癫痫检测问题上，它的表现优于最先进的技术。本研究的主要贡献是：(1)数据增强方案，(2)基于P-1D-CNN深层模型集成的二值和三值脑电信号分类的自动系统，(3)构造深层1D-CNN模型的新方法，(4)对用于检测不同癫痫病例的增强方案和深层模型进行全面的评价。

论文的其余部分安排如下：在第二节中，我们介绍了文献综述。第三节详细介绍了拟议的制度。第四节讨论了P-1D-CNN模型的模型选择、数据增强方案和训练。第五节介绍了结果；第六节讨论了结果，并将它们与最先进的方法进行了比较。最后，第六部分对全文进行了总结，并对未来的研究方向进行了展望。