021 Efficient Epileptic Seizure Prediction based on Deep Learning2019
abstract
癫痫是世界上最常见的神经系统疾病之一。癫痫发作的早期预测对癫痫患者的生活有很大影响。本文提出了一种新的基于深度学习的特定患者癫痫发作预测技术,并将其应用于头皮脑电的长期记录。其目的是准确地检测发作前的大脑状态,并尽早将其与发作间的流行状态区分开来,使其适合实时。特征提取和分类过程被结合到单个自动化系统中。将未经任何预处理的原始脑电信号作为系统的输入,进一步减少了计算量。提出了四种深度学习模型来提取最具区分性的特征,提高了分类精度和预测时间。该方法利用卷积神经网络提取不同头皮位置的重要空间特征,并利用递归神经网络预测癫痫发作的发生时间。提出了一种基于转移学习技术的半监督方法来改进优化问题。提出了一种通道选择算法来选择最相关的脑电信号通道,这使得所提出的系统具有很好的实时性。采用了一种有效的测试方法来保证健壮性。最高的准确率达到99.6%,最低的误报率为0.004/h,极早的癫痫发作预测时间为1小时,使所提出的方法成为最先进的方法中最有效的。
II. METHODOLOGY
在本文中,我们提出了四种基于深度学习的模型,目的是为了更早、更准确地预测癫痫发作,并考虑到实时操作。发作预测问题被描述为发作间期和发作前大脑状态之间的分类任务,其中当发作前状态在预定的发作前周期内被检测到时,被认为是真实警报。尽管在发作预测方面做了大量的研究工作,但发作前状态没有标准的持续时间。在我们的实验中,发作前持续时间被选择为癫痫发作前一小时,发作间歇持续时间被选择为任何癫痫发作之前或之后至少四个小时,如[15]所示。所有模型的输入均采用未经任何预处理和手工提取特征的原始脑电数据。为了减少分类开销,加快分类速度,采用深度学习算法自动学习判别特征。由于每个患者的癫痫发作次数有限,发作前和发作间期样本之间存在不平衡。显然,发作间期样本的数量远远大于发作前样本的数量,分类器倾向于对训练样本数量较大的类别更准确[16]。在我们的实验中,我们选择发作间期样本的数量与发作前样本的数量相等,以使数据平衡。将脑电信号划分为互不重叠的5秒段,每个段被视为一个训练批次。在我们的第一个模型中,多层感知器(MLP),一个简单的深度神经网络,在选定的患者上进行训练,以学习能够执行分类任务的网络参数。为了提高分类精度,我们提出了基于深度卷积神经网络(DCNN)的第二种模型,该模型从不同的电极位置提取空间特征,并使用MLP进行分类,如图3所示。为了使用DCNN,脑电数据被表示为一个矩阵,其中一维是通道数,另一维是时间步长。在我们在文献[17]中提出的第三个模型中,DCNN被用作模型后端,并与双向长期短期记忆(bi-LSTM)网络串联起来进行分类,如图4所示。LSTM网络以其在学习时间特征同时保持长时间序列依赖关系的优点而闻名,这有助于早期预测。使用BiLSTM可以更好地处理预测问题,因为它使用了来自前一个和下一个时间实例的信息。为了减少训练时间,我们开发了第四种实现深度卷积自动编码器(DCAE)结构的模型。在DCAE中,我们以无人监督的方式对模型前端DCNN进行了预培训。然后,用一些初始值启动训练过程,这些初始值有助于网络更快地收敛,增强网络优化,从而减少训练时间,提高精度。使用转移学习方法训练DCAE,以提高对同一患者不同发作的泛化能力。
训练声发射后,将训练好的编码器连接到BiLSTM网络进行分类。图5说明了DCAE模型的两个部分。提出了一种通道选择算法,减少了脑电信号的通道数,降低了计算复杂度,并分配了内存,使系统更适合于实时应用。
图5.半监督DCAE+双LSTM模型的框图,(A)DCAE的预训练阶段,通过无监督学习从潜在空间表示生成重建的EEG信号,以及(B)通过监督学习预测癫痫