015利用脑电图信号预测癫痫发作的长短期记忆深度学习网络-2018(270引用)

A Long Short-Term Memory deep learning network for the prediction of epileptic seizures using EEG signals

A B S T R A C T

脑电图(EEG)是研究癫痫和捕捉大脑电活动变化的最重要手段，这些变化可能预示癫痫即将发作。在这项工作中，将长短期记忆(LSTM)网络引入到使用脑电图信号的癫痫发作预测中，扩展了深度学习算法与卷积神经网络(CNN)的应用。首先进行预分析，通过测试多个模块和内存单元层来找到LSTM网络的最佳架构。基于这些结果，选择了一个双层LSTM网络来评估癫痫预测性能，使用4个不同长度的预发作窗口(从15分钟到2小时)。LSTM模型利用了分类前提取的广泛特征，包括时间和频域特征、EEG通道之间的相互关联和图论特征。使用开放的CHB-MIT头皮脑电图数据库的长期脑电图记录进行评估，表明所提出的方法能够预测所有185例癫痫发作，提供高的癫痫预测灵敏度和低的误报率(FPR)，每小时0.11 - 0.02假报警(取决于预测窗口的持续时间)。与之前在文献中评估过的传统机器学习技术和卷积神经网络相比，提出的基于lstm的方法显著提高了癫痫预测性能。

1. Introduction

癫痫患者的脑电活动被认为在走向癫痫发作的过程中随着时间的推移而发生显著变化，提出了各种方法来分离能够宣布癫痫发作的发作前脑电模式和节律变化[1]。随着我们对发作前脑电活动的了解的加深，癫痫发作预测的进展可能会给患者的治疗和疾病管理带来革命性的变化。然而，目前对发作前活动的研究还没有提供关于发作前脑电活动的实际持续时间、发作前脑电模式的形态和大脑状态的相对变化等关键方面的确凿证据。由于发作前脑电符号学的差异和发作前模式的时变性，癫痫发作预测问题的难度和复杂性增加，这证明了尽管过去几十年来该领域的关注越来越多，但缺乏可靠的方法是合理的。

在早期阶段，研究人员将重点放在对脑电记录(或ECoG)的分析上，因为它们提供了更好的信噪比，更好地定位了致痫区域，并且不太容易受到噪声和伪影的影响。其目的是最终将信号处理单元包括在能够动态调整电活动以防止或控制即将到来的癫痫的闭环系统中[2，3]。另一方面，头皮脑电记录在脑电信号质量、伪影(例如，身体运动和电极运动、正常肌肉活动、电磁干扰等)的存在方面存在显著劣势。以及大脑电活动的较低空间离散化，这被它是一种非侵入性技术的事实所抵消

2.文献综述

通常执行移动窗口分析以将原始EEG数据分割成较小持续时间的片段，然后用于特征提取[23]。特征提取提供了降维和更复杂的高阶特征空间，可以提高用于分离发作前脑电段的分类算法的区分能力。

2.1. EEG features

每个EEG通道的功率谱估计是最常用的单变量特征之一。将脑电信号从时间域变换到频域的最流行的算法是傅立叶变换[24，25]和小波变换[23，26]。这两种方法通常都采用离散形式(即快速傅立叶变换、FFT和离散小波变换，DWT)，以降低分析大量脑电数据所需的计算成本，尽管一些癫痫发作预测研究也使用了连续小波变换来提取脑电频谱[27，28]。除了估计每个通道的脑电信号总功率外，还可以用标准化的脑电频带或节律来估计信号的能量：增量(？3赫兹)、赫塔(4-7赫兹)、阿尔法(8-13赫兹)、贝塔(14-30赫兹)和伽马(>30赫兹)。这些频段的相对功率差异在识别头皮和颅内信号的发作前变异方面显示出巨大的潜力[29-31]。

对形态脑电特征的预测价值也进行了研究，得出了一些有希望的结果。尤其是癫痫患者的脑电信号中出现尖峰的速度已经显示出显著的变化[32，33]。棘波由一个尖峰组成，与背景脑电活动明显区别，持续时间从20到70毫秒不等。在参考文献中。[33]对21例患者的脑电信号进行了分析，结果表明，发作间期、发作前、发作后和发作后的平均棘波率差异显著，平均值分别为1.7、4.98、18.97和2.36。除了棘波，脑电信号的过零点也被用来预测癫痫发作[34，35]。负过零点和正过零点都被评估为提供相似水平的癫痫发作预测性能的特征。平均而言，使用20名患者的头皮脑电信号，敏感度为88.34%，错误预测值为0.155个/小时，而使用6名患者的头皮脑电信号，敏感度为86.6%，错误预测值为0.067 F/h[35]。

最常见的双变量特征是互相关，它通过移位两个信号中的一个来估计一对脑电信号之间的相关性，从而解释了时间延迟。最大互相关值被保留为最具信息量的特征。也可以从互相关值中提取次特征，例如从通道相关性和协方差矩阵之间提取的时空特征值[36]。这些特征导致19例患者的脑电信号的平均灵敏度为86%，错误预测为0.03次/小时。信号之间的相位同步措施也被提出用于脑电分析，包括相位一致性或锁相值[37]。脑电分析的另一个主要领域是图论特征。图论框架已经被引入使用连接图来研究大脑中的功能和解剖连接[38]。可以使用互相关、相位滞后指数或滞后线性相干性作为跨EEG通道的连通性度量来提取图形[39，40]。一旦构建，这些图被用来提取次要特征，其中包括最常用的度数、直径、特征路径长度、中间度中心度和偏心率[41-43]。

2.2. Preictal-interictal classification发作前-发作间期分类

传统的分类算法被广泛应用于癫痫发作预测研究中，以区分发作前的脑电片段[8，9，11]。赵等人。提出了一种结合多变量经验模式分解的方法来计算头皮EEG信号之间的锁相值，并使用支持向量机分类器将短的EEG片段分类为发作间歇期或发作前[44]。使用CHB-MIT EEG数据库中的65次癫痫发作对他们的方法进行了评估，分别达到了82.44%的敏感性和82.76%的特异性。Zhang和Parhi使用头皮EEG信号的频谱分析来提取初始特征集，然后将其用于分离最相关的电极和特征，并将这些特征送入支持向量机分类器，以区分发作前和发作间期的EEG片段[30]。用于评估的脑电数据集包括来自同一数据库的17例78次癫痫发作，该方法的平均癫痫发作预测灵敏度为98.68%，错误预测率为每小时0.05假阳性。K-近邻(k-NN)分类器也使用由10名患者的多天记录组成的脑电数据集来评估癫痫发作预测，但提供的癫痫发作预测性能略低，敏感性为73%，特异性为67%[45]。在我们的初步工作[46]中，使用CHB-MIT数据库的所有24个案例，比较了神经网络(NN)、支持向量机和基于C4.5的决策树分类器的发作前分类性能。支持向量机和神经网络的敏感度相近，分别为86.75%和86%，而支持向量机的特异度为84.75%。发现决策树分类器表现不佳，敏感度和特异度降低了约3-4%。

在深度学习算法方面，卷积神经网络(CNN)在癫痫发作预测方面最受关注。在参考文献中使用了由3个块组成的CNN结构，每个块包括归一化层、卷积层和最大池层。47.。从原始脑电信号中提取30s窗口中的频谱信息，然后将频谱作为输入输入到CNN。对CHB-MIT数据库的13例64次癫痫发作进行测试，平均发作预测灵敏度达到81.2%，错误预测率为0.16次/小时。可汗等人。还使用了具有六个卷积的CNN架构来提取特征，这些特征被用来将EEG片段划分为发作前、发作间期和发作类别[48]。作为输入，CNN接收在不同尺度上计算出的每个脑电通道的小波变换的输出。使用相同的数据库进行评估，作者使用了15例患者的18次发作和50次发作间歇记录，平均错误预测率为0.142次/小时，而3次癫痫发作未被预测。来自Freiburg数据库的测量脑电同步的双变量特征也被用来评估5层CNN的癫痫发作预测性能，结果显示它能够预测21名患者中的15名患者的所有测试癫痫而没有错误警报[49]。深层多层CNN还被用于使用空间滤波器(EEG通道的线性组合)来评估来自EEG信号的运动成像任务，所述空间滤波器增强了包含在EEG信号中的类别区分频带功率特征[50]。

相比之下，LSTM网络还没有被用于从EEG信号中预测癫痫发作。然而，LSTM网络最近在专注于脑电分析的其他领域的研究中找到了应用。LSTM模型被用于基于EEG的行为微睡眠