016基于STFT和域自适应的脑电癫痫预测-2021

Seizure Prediction in EEG Signals Using STFT and Domain Adaptation

癫痫发作预测是耐药性癫痫最常用的辅助治疗策略之一。由于个体间的可变性，传统方法通常从同一患者收集训练和测试样本。然而，具有挑战性的问题领域之间的转换，各种科目仍然没有解决，导致低转化率的临床。本文提出了一种基于领域适应的模型来解决这个问题。利用短时傅里叶变换(STFT)从原始脑电信号中提取特征，并开发自动编码器将这些特征映射到高维空间。该模型通过最小化嵌入空间中的域间距离来学习域不变信息，从而通过分布对齐来提高泛化能力。

此外，为了增加其应用的可行性，这项工作模拟了临床抽样情况下的数据分布，并在这种情况下测试模型，这是第一次采用评估策略的研究。在颅内和头皮脑电数据库上的实验结果表明，与以前的方法相比，该方法能有效地减小域间隙。

3.方法

为了减少个体差异的影响，我们提出了一个通用的癫痫发作预测模型。我们方法的核心思想是在高维空间中最小化不同主题之间的领域距离。使得在域分布对齐期间可以提取域不变特征。最大平均差异(MMD)度量(张等人，2020)被选为距离度量，并且高维空间由对立自动编码器(AAE)建立(马克扎尼等人，2015)

3.1. Clinical Situation Simulation临床情境模拟

常规研究的训练集与现实生活中的采样情况不一致。在临床治疗过程中，几乎不可能长时间记录特定患者的大量脑电样本。因此，传统的特定于患者的学习策略无法执行，因为数据大小无法支持训练。为了解决这个问题，我们提出了一种新的预测器，可以使用其他患者的数据进行训练。

为了模拟临床中的采样情况，我们采用了一种特殊的训练和测试策略，如图3所示。具体来说，训练和验证集包括以前的患者数据和来自“目标”受试者的一次发作，而“目标”受试者的其余发作用作测试集。该策略参考了留一交叉验证法的思想(彭等，2018)。此外，训练和验证集被分成5个部分，80%的数据被分配给训练集，而剩余的20%被分配给验证集，以防止过度拟合。

3.2. Modal Transformation With STFT STFT模式转换

由于脑电信号的低信噪比，我们试图将输入信息从时域转换到时频域。两种预处理技术，小波和傅立叶变换(Muralidharan等人，2011；赵等人，2019)，通常用于将EEG片段转换为图像形状。这里，我们采用短时傅立叶变换(STFT)从原始脑电序列产生特征图。这种转换将脑电时间序列转换成矩阵，可以满足二维MMD-AAE的输入要求。该程序还可以提取用于癫痫发作预测的重要特征。

3.3. Construction of High-Dimensional Space 高维空间的构建

这个模块试图用编码器和解码器建立一个高维空间。该模型如图4所示。通过使用编码器，我们可以将原始EEG样本的时频图像映射到嵌入子空间中。通过使用解码器，这些隐藏层被映射回一个“假”输入矩阵。隐藏空间是高维的，因此包含更多的信息。然后，利用MMD度量来对齐不同域之间的高维特征向量的分布。因此，优化的隐藏代码包含各种患者的可共享信息。

然后，我们提取这些潜在的特征，这些特征在病人中是普遍的，用于分类。在嵌入空间的构造过程中有两个步骤:重构过程和分布对齐过程。在重建过程中，自动编码器试图从高维向量中恢复时频图像。自动编码器的架构参考的架构(李等，2018)。我们设置优化目标Lrec，以引导生成的特征图\u