022 利用头皮脑电信号预测癫痫发作2021

Epileptic seizure prediction using scalp
electroencephalogram signals

癫痫是一种脑部疾病，患者经常癫痫发作。约30%的癫痫患者无法通过药物/外科手术进行治疗。异常活动，称为发作前状态，在癫痫实际发生前几分钟开始。因此，如果可以在癫痫发作之前预测发作前状态的启动，那么在癫痫发作之前给药是可能的。我们提出了一种癫痫发作的预测方法，该方法通过脑电监测大脑活动来预测癫痫发作前的发作前状态。它包括脑电信号的预处理、发作前状态和发作间歇期状态的特征提取、分类三个步骤。在我们提出的方法中，我们使用了(I)经验模型分解来去除脑电信号中的噪声，生成对抗网络来生成发作前样本来处理类别失衡问题；(Ii)用三层卷积神经网络来提取自动特征；(Iii)用长时间短期记忆单元来完成发作前和发作间状态的分类。在本研究中，我们使用了CHBMIT的头皮脑电信号数据集，并在22个数据集上验证了我们提出的方法。我们提出的癫痫发作预测方法能够达到93%的灵敏度和92.5%的特异度，平均时间为32min。我们的方法得到的结果已经与最近最先进的癫痫发作预测方法进行了比较。我们提出的方法在敏感度、特异度和平均预期时间方面都有更好的表现。

我们提出的癫痫发作预测方法包括三个步骤：头皮脑电信号的预处理、特征提取以及发作前和发作间歇期状态的分类。这一部分详细解释了脑电数据集以及提出的方法的所有步骤。

2.1. EEG dataset

我们使用了CHBMIT头皮EEG数据集，该数据集是在https://physionet.org/content/chbmit.上公开提供的。该数据集包含22名癫痫患者的头皮脑电记录。使用标准的10-20电极放置系统记录一小时的EEG信号。在包含已发生发作的数据的每个文件中，对发作开始和发作结束的数据集进行了注释。脑电信号以256赫兹采样，在大多数情况下使用23个电极。表1描述了数据集。我们将长达1小时的脑电记录分为29秒的多个片段，并将发作间期和发作前状态分开。图2显示了所提出的方法的流程图，该方法包括EEG信号的预处理、特征提取以及发作间期和发作前状态的分类，以预测癫痫发作。

  2.2. EEG preprocessing

在脑电信号的预处理阶段，我们解决了两个问题：去噪和减少类不平衡问题。为了去除噪声和提高信噪比，我们应用经验模式分解(EMD)[57]对脑电信号进行去噪，以提高脑电信号的信噪比。

癫痫发作预测的另一个主要问题是类别不平衡问题。脑电信号采集过程中记录的发作前状态样本较少，导致分类不平衡问题，导致分类困难、效果不佳，导致敏感性和特异度降低。我们提出利用产生式对抗网络来产生发作前数据ÿ