026利用GANs合成癫痫脑活动2019

Synthetic Epileptic Brain Activities using GANs

摘要：

癫痫是一种慢性神经系统疾病，影响着全世界6500多万人，表现为反复无故发作。目前正在开发监测脑电图(EEG)信号的现代系统，目的是检测癫痫发作，以提醒护理人员并减少癫痫发作对患者生活质量的影响。这类系统使用机器学习算法，需要大量标记的癫痫发作数据进行训练。然而，对医学专家和患者来说，获取癫痫发作的脑电图信号是一个昂贵和耗时的过程。在这项工作中，我们生成了合成的类似癫痫发作的脑电图信号，该信号可用于训练癫痫发作检测算法，减少了对记录数据的需求。首先，我们用30名癫痫患者的数据训练生成对抗网络(GAN)。然后，我们为新的、看不见的患者生成合成训练集，总体上产生与真实数据训练集相当的检测性能。我们使用EPILEPSIAE Project的数据集来演示我们的结果，癫痫检测是世界上最大的公共数据库之一。

在这项工作中，我们提出了使用GAN来产生高质量的合成癫痫发作脑电图(EEG)信号，可用于训练检测算法并实现最先进的结果。

2 生成模型

我们的模型是一个条件GAN，在给定输入端非发作(发作间期)脑电图样本的情况下，生成癫痫发作(发作)的脑电图样本。我们设计的基本原理是，虽然癫痫发作的记录非常昂贵，但间期信号可以很容易地记录。因此，我们根据目标患者的癫痫发作间期样本对网络进行调整，以便向生成器提供额外的信息，以便利用这些信息生成更真实的癫痫发作样本。通过这种方式，我们可以使用已经存在的数据库来训练GAN，然后使用GAN为新患者生成癫痫发作样本。

我们的模型的生成器是一个U-net卷积自编码器网络，具有加权跳过连接，其中解码器将潜在代码转换为动态样本。为了在模型中引入随机性，将均值为0，标准差为1的高斯噪声级联到潜码中。跳跃连接将编码器每一层的特征映射与训练中学习到的权重相乘，然后将该操作的结果添加到解码器相应的特征映射中。我们的GAN鉴别器与生成器的编码器结构相同，但它在输出端包含一个额外的全连接层。我们的GAN的损失函数基于最小二乘GAN (LSGAN) 。因此，鉴别器的最小化目标由下式给出:

其中函数D对应于鉴别器，G对应于发生器和。输入数据 x 从输入数据分布p中采样，θD为鉴别器的网络参数。

另一方面，带有网络参数θG的损失函数由下式给出: