基础1-用于癫痫发作预测的卷积门控递归神经网络

A Convolutional Gated Recurrent Neural Network for Epileptic Seizure Prediction

ABSTRACT

在本文中，我们提出了一种卷积门控递归神经网络(CGRNN)来预测癫痫发作，基于从EEG数据中提取的代表信号的时间方面和频率方面的特征。使用波士顿儿童医院收集的数据集，CGRNN可以提前35分钟至5分钟预测癫痫发作。我们的实验结果表明，CGRNN的性能因患者而异。对于数据集中的患者，我们实现了89%的平均灵敏度和75.6%的平均准确度，平均假阳性率(FPR)为每小时1.6。

Introduction

在本文中，我们提出了一种新的卷积门控递归神经网络(CGRNN)来预测癫痫发作。它是CNN和GRU的结合。所提出的方法是一种针对患者的预测器，允许我们根据大脑的电活动(EEG信号)预测癫痫发作。我们的CGRNN考虑了EEG信号的时间方面以及频率方面。使用波士顿儿童医院收集的数据集，CGRNN可以提前35分钟至5分钟预测癫痫发作。我们的实验结果表明，CGRNN的性能因患者而异。对于数据集中的13名患者，我们实现了89%的平均灵敏度和75.6%的平均准确度，FPR范围为0到6.57每小时。

Background

--发作前期 是指癫痫发作前的一段时间[15]。

–发作期 从癫痫发作的初始症状(包括先兆)持续到异常活动结束。

–发作后期 发作结束时出现发作后阶段。这是癫痫症状的恢复期[4]。

–发作间期 是癫痫患者的正常状态(一生中的99%)。在这一阶段，这些人在脑电图记录中出现与癫痫症状无关的异常波形[15]。

相关工作

3.1癫痫发作检测

Thodoroff等人[20]提出了特定患者和交叉患者癫痫发作检测器。两者都基于从EEG记录的空间、时间和频率信息中提取的特征。EEG数据首先被转换成整合了空间域知识(即，电极的位置)的图像表示。然后，数据被输入到一个递归卷积神经网络，该网络结合了CNN和LSTM网络。

袁等人[23]提出的方法检测癫痫发作。它结合了从手工工程方法和深度学习方法中提取的特征。作者使用短时傅立叶变换(STFT)进行基于图像的表示，使用堆叠稀疏去噪自动编码器(SSDA)进行数据分类。采用基于SSDA的通道选择过程，通过考虑脑电信号通道的相关性来降低特征维数。

Talathi [19]提出了一个用于癫痫发作检测的深度学习框架。他开发了一个RNN与GRU隐藏单元的分类任务。原始输入数据在经过最少的预处理步骤后直接使用。该模型在验证数据集上实现了99.6%的准确性，并且可以在事件的前5 s内检测到大约98