51通过虚拟样本生成和注意神经网络进行自动和准确的癫痫波纹和快速波纹检测

Automatic and Accurate Epilepsy Ripple and Fast Ripple Detection via Virtual Sample Generation and Attention Neural Networks

摘要--全世界约有1%的人口患有癫痫。癫痫手术的成功关键取决于术前对致痫区的定位。高频振荡包括波纹（80-250赫兹）和快速波纹（250-500赫兹），通常被用作生物标志物来定位致痫区。最近的文献表明，快速波纹比波纹更能显示致痫区。因此，从脑磁图的波纹信号中准确地检测出快速波纹对于改善癫痫手术的效果至关重要。本文提出了一种自动和准确的波纹和快速波纹检测方法，它采用了虚拟样本生成和具有注意机制的神经网络。我们在具有50个波纹和50个快速波纹的病人数据上评估了我们提出的检测器，这些波纹和快速波纹由两位专家标记。实验结果显示，我们的新检测器优于多种传统的机器学习模型。特别是，我们的方法在50次重复的随机子抽样验证中可以达到89.3%的平均准确率和0.88的平均接收操作特征曲线下面积。此外，我们通过实验证明了虚拟样本生成、注意力机制和神经网络模型架构的有效性。

非侵入性的检测方法被普遍用于致痫区的定位[5-8]。带有尖峰信号的脑磁图（MEG）是一种无创技术，用于癫痫手术前的术前检查[9]，它指导iEEG对致痫区进行定位[10]。不幸的是，只有80%的患者在MEG记录中显示出尖峰。此外，即使切除了产生尖峰的脑区，癫痫手术最终也无法减少大约50%的病例的发作频率[4, 11]。幸运的是，各种研究表明，致痫脑产生的高频脑信号被称为高频振荡（HFOs），包括波纹（80-250 Hz）和快速波纹（FRs，250-600 Hz）。癫痫手术的结果关键取决于精确和无创地定位波纹和FRs[9, 12]。有许多研究表明，病理HFO是识别致痫组织的生物标志物，可以改善癫痫患者的术前诊断和手术效果[13]。

Ⅰ Introduction

最近，越来越多的证据表明，在致痫区的定位方面，FR比波纹更有用[14]，在多发癫痫病灶的情况下尤其如此。在这方面，准确地检测和区分MEG信号中的波纹和FR对于改善手术效果至关重要。

在目前的临床实践中，外科医生对脑电图中的波纹和FR的视觉检查是常规的。然而，与传统的尖峰相比，涟漪和FRs太弱，不易察觉，特别是，由于FRs持续时间短，振幅低，而且MEG信号数据量大，视觉识别FRs费时费力，主观性强，容易出错[15]。

为了解决上述问题，人们开发了许多方法[16-18]来自动检测和精确识别MEG、EEG和iEEG信号中的波纹和FRs。这些 "老式 "的HFOs检测方法一般都有类似的框架或工作流程：（1）根据观察或统计分析手工生成特征，（2）记录的数据被分成大量的信号段，（3）HFOs检测器自动从这些信号段中提取特征，（4）通过与手工特征的比较对提取的特征进行阈值处理。Klink等人[19]介绍了MEG中的自动HFOs检测和可视化方法，而另一项工作[17]使用手工制作的特征（如高频峰和低频峰）在EEG信号中自动区分HFOs。19]和[17]都要求手工制作的特征在识别HFOs信号段时有一个截止点，导致在将这些检测器应用于不同人群的类似神经影像数据时，不可避免地重新调整手工制作的特征的截止点。这妨碍了对未见过的HFOs的概括性。

机器学习为外科医生提供了一个很有前途的方法来提高检测HFO的性能，同时减少人为干扰。传统的机器学习算法，如逻辑回归，已被用于识别致痫区[20]。我们提出了一个使用神经网络（NN）的SMO检测器来完成同样的任务，并改善了HFOs的分类性能[21]。这样的HFOs检测器需要最小的人为干扰来从地面真实数据集中学习潜在的HFOs模式。然而，NN检测方法仍然存在几个挑战。

一个挑战是训练数据不足。多层NN模型的训练步骤通常需要大量的数据来理解隐藏在高维数据中的复杂模式[22]。然而，由于患者数量有限，单个患者的波纹和FRs实例数量较少，很难收集大量的信号样本进行机器学习模型训练。

另一个挑战是信号分类的性能有限。虽然有脑电图和EEG信号分析工具提供HFOs检测[15, 23]，但在癫痫患者的术前操作中，准确分类波纹和FRs仍然是个问题，目前的HFOs检测性能不足以满足临床使用。虽然大多数研究集中在将HFOs信号从尖峰或正常生物信号中分离出来，但它们仍然限制了准确区分HFOs的亚类型（即波纹和FR）。目前还不清楚最先进的HFOs检测模型是否可以直接应用于MEG的涟漪和FRs检测分类。最近，注意力机制被引入深度学习，以提取更好的特征嵌入[24]。Vaswani等人[25]使用唯一的注意力机制为神经机器翻译任务构建了一个序列-序列模型，取得了最先进的质量得分。Shen等人[26]讨论了注意力机制，该机制允许更多的灵活性，并且在建立依赖关系的模型时更注重数据驱动。Zhu等人[27]开发了一个DAN，一个用于新闻推荐的深度注意力神经网络。最近，有人提出整合注意力机制，从视觉诱发的MEG脑信号中对分类的图像进行分类[28]。据我们所知，注意力机制还没有被应用于来自MEG的HFO（即涟漪和FR）检测。

本研究旨在缓解数据不足的问题，提高HFOs信号中FRs检测的性能。具体来说，我们开发了一个波纹和快速波纹（ARF）检测器来自动区分HFOs信号中的波纹。我们的贡献有三个方面。首先，我们引入了一个虚拟样本生成方法，以创建更多的生物医学脑电信号来增加脑电的地面真实数据集。这改善了小的地面真实数据集的训练性能。其次，我们采用注意力机制来创建注意力神经网络（AttNN）模型，以实现准确的FRs检测。此外，这项研究涉及到全新的病人数据，这些数据从未在任何出版物中使用过，而且可能在公共场合无法获得。

本文的其余部分组织如下。第二节描述了脑电图数据和ARF检测器。实验设置显示在第三节，然后是实验结果和讨论，分别在第四节和第五节，最后在第六节总结这项工作。

II. MATERIALS AND METHODS