基于生成对抗网络的癫痫发作预测2019

Epileptic Seizure Forecasting With Generative Adversarial Networks

摘要：

癫痫发作预测是最具挑战性的预测数据分析问题之一，许多杰出的研究报告了有前景的结果。这主要是因为脑电图(EEG)生物信号强度非常小，在µV范围内，在生理和非生理伪影下存在显著的感知困难。今天，精确的癫痫发作识别和数据标记的过程是由神经学家完成的。目前癫痫发作活动的不可预测性，以及对耐药癫痫患者缺乏可靠的治疗，迫切需要对准确、敏感和针对患者的癫痫发作预测进行研究。大多数癫痫发作预测算法仅使用标记数据进行训练。由于癫痫发作数据是由神经科医生手工标记的，准备标记数据既昂贵又耗时，因此充分利用数据至关重要。在这篇文章中，我们提出了一种方法，既可以利用标记的脑电图信号，也可以利用更容易获得的未标记的脑电图信号。我们使用28秒脑电图窗口的短时傅里叶变换作为预处理步骤。

生成对抗网络(GAN)以无监督的方式进行训练，其中癫痫发作的信息被忽略。训练后的GAN鉴别器被用作特征提取器。特征提取器生成的特征对标记的脑电图信号进行两层全连通(可被任何分类器替代)的分类。对于CHB-MIT头皮脑电图数据集、Freiburg医院颅内脑电图数据集和EPILEPSIAE数据集，这种半监督患者特异性癫痫发作预测方法的工作特征曲线(AUC)下的样本外测试面积分别为77.68%、75.47%和65.05%。不需要标记的无监督训练很重要，因为它不仅可以在EEG信号记录过程中实时进行，而且不需要针对每个患者进行特征工程。据我们所知，这是GAN在癫痫预测中的首次应用。

本文的贡献包括:

•证实使用GAN进行癫痫发作预测的无监督特征学习可跨多个癫痫脑电图数据集推广。

•弥合监督和半监督方法之间的差距。

•将患者特异性特征与癫痫发作预测性能联系起来。

2.该方法

A.数据集

表1总结了在这项工作中使用的三个数据集:CHB-MIT数据集[21]，Freiburg医院数据集[22]和EPILEPSIAE数据集[23]。CHB-MIT数据集包含23名儿童患者的头皮脑电图(sEEG)数据，连续844小时的sEEG记录和163次癫痫发作。使用22个电极以256的采样率采集头皮脑电图信号。我们定义的间隔期是发作前和发作结束后至少4小时的间隔时间。在这个数据集中，有多次癫痫发作发生在彼此相邻的情况。对于发作预测任务，我们感兴趣的是预测先兆性癫痫发作。因此，对于距离前一次发作不到30分钟的发作，我们将其视为仅一次发作，并将前导发作的发作作为合并发作的发作。此外，我们只考虑每天发作少于10次的患者进行预测任务，因为对平均每2小时发作一次的患者进行预测任务不是很关键。根据上述定义和考虑，有13例患者有足够的数据(至少3次前驱癫痫发作和3个间期时间)。

弗莱堡医院的数据集包括21例顽固性癫痫患者的颅内脑电图(iEEG)记录。由于数据集缺乏可用性，我们只能使用13名患者的数据。采样率为256hz记录iEEG信号。在这个数据集中，有6个记录通道来自6个选定的接触者，其中3个来自癫痫发生地区，其他3个来自偏远区域。对于每个患者，至少有50分钟的预测数据和24小时的间隔时间。关于Freiburg数据集的更多细节可以在[4]中找到。

EPILEPSIAE是最大的癫痫数据库，包含275名患者[23]的脑电图数据。本文对30例前导性癫痫发作患者的头皮脑电图进行了分析，共261例，发作间隔时间为2881.4小时。时间序列脑电图信号以256 Hz的采样率记录，来自19个电极。给出了基于脑电图和视频分析两种方法获得的癫痫发作信息。在我们的研究中，我们使用基于脑电图技术的癫痫发作信息，其中发作是由经验丰富的临床医生[23]通