024 基于双向门控递归单元网络的癫痫发作检测2022

本文链接：https://blog.youkuaiyun.com/Crystalxxtt/article/details/127602776

Epileptic Seizure Detection Based on Bidirectional Gated Recurrent Unit Network

abstract

长期脑电(EEG)的目测是神经科医生的一项繁琐工作。为了方便癫痫的诊断和治疗，提出了一种基于双向门控递归单元(bi-GRU)神经网络的癫痫自动检测方法。首先，将小波变换应用于脑电信号的滤波预处理。然后计算信号在几个特定频段的相对能量，并将其输入到BiGRU网络。然后，对bi-GRU网络的输出进行滑动平均滤波、阈值比较和癫痫合并处理，得到被测脑电信号是否属于癫痫的判别结果。在CHB-MIT头皮EEG数据库上进行评估，该癫痫检测方法的平均灵敏度为93.89%，平均特异度为98.49%。在867.14 h的测试数据上，128次癫痫发作中有124次被正确检测，平均误检率为0.31次/h。结果表明，BiGRU网络在癫痫发作检测中具有一定的优势，该检测方法在脑电长期监测中具有广阔的应用前景。

Introduction

本文提出了一种基于时频分量相对能量和双向门控回归单元(bi-GRU)神经网络的癫痫检测方法。作为递归神经网络的一种，GRU网络能够有效地捕捉长序列中的长期依赖关系，在结构和计算代价上具有优势与长短期记忆(LSTM)网络[28]-[34]等其他RNN网络相比，癫痫发作是一个动态的演化过程，未来的EEG信息可能有助于当前EEG的模式识别，本文设计了一种BiGRU网络结构的癫痫发作检测方法。

BiGRU网络通过在反向传播GRU块中加入隐含层，对脑电信号进行正反向分析，提高了检测性能。在公共和临床脑电数据库上的实验结果表明，基于BiGRU的癫痫发作检测方法具有结构简单、计算代价低、挖掘长期脑电信号依赖信息的能力强等优点。

本文的其余部分组织如下。第二节介绍了这项工作中使用的脑电数据库。第三节重点介绍了本文提出的癫痫发作检测方法和采用的性能评价方法。第四节展示了评估结果，第五节讨论了拟议的癫痫检测方法。最后，第六节给出了本文的结论。

II. DATABASE

这项工作中使用的脑电数据部分来自CHB-MIT头皮脑电数据库，该数据库由波士顿儿童医院收集[35]，[36]。在脑电数据采集过程中，采用国际通用的10-20脑电电极位置测量系统，采样率为256赫兹，分辨率为16位。在CHB-MIT数据库中收集了23例癫痫患者的脑电记录，并将其归类为24例，其中病例chb21和chb01来自同一受试者，相隔1.5年。除了属于病例chb04、chb06、chb07、chb09、chb10和chb23的一些文件是两个或四个小时长之外，对于每个病例，大约有9到42个连续的EEG文件可用，并且大多数文件包含一个小时的EEG记录。该数据库中的脑电文件共包括198次癫痫发作，并对每次发作的开始和结束进行了注释。本工作中使用的CHB-MIT脑电数据的详细信息如表I所示。

对于每个案例，我们构建了非重叠的训练和测试数据集，分别用于建立和评估癫痫发作检测系统。除了选择1~5次癫痫发作的脑电作为训练数据外，非癫痫发作的脑电也包括在训练数据集中。训练数据集中的非癫痫脑电信号的数量等于或等于癫痫脑电信号的2-4倍。总共约198.14分钟的脑电记录被用作24例的训练数据。此外，以其余脑电记录作为测试数据，总持续时间为867.14 h，包括128次发作。

另一部分脑电数据来自山东大学第二医院的5例癫痫患者，分别来自山东大学济南第二医院、中国。在总共58.40h的头皮脑电记录中，包含了41次癫痫发作，并已被临床专家标记。对于每个患者，按照与CHB-MIT数据库相同的方法构建训练集和测试集。训练数据的总时长为47.54分钟，测试数据的时长为57.56小时。在训练集和测试集中得发作次数分别是12和29次。表二给出了SH-SDU数据集的详细信息。