52癫痫发作预测的有效双自注意力残差网络

Effective dual self-attentional residual networks for epileptic seizure prediction

摘要

癫痫发作预测作为慢性脑疾病中最具挑战性的数据分析任务之一，引起了众多研究者的广泛关注。癫痫发作预测，可以在许多方面大大提高患者的生活质量，如预防意外事故和减少癫痫发作期间可能发生的伤害。这项工作旨在通过探索从多通道脑电图信号中获得的特征的时频相关性，开发一种预测特定患者癫痫发作的通用方法。通过对脑电信号进行短时傅里叶变换(STFT)，将原始脑电信号转换为表示时频特征的频谱图。本文首次提出了一种双自注意残差网络(RDANet)，该网络将整合局部特征和全局特征的频谱注意模块与挖掘信道映射之间相互依赖关系的信道注意模块相结合，从而获得更好的预测性能。我们提出的方法对来自CHB-MIT公共头皮脑电图数据集的13例患者的敏感性为89.33%，特异性为93.02%，AUC为91.26%，准确性为92.07%。实验结果表明，不同的脑电信号预测段长度是影响脑电信号预测性能的重要因素。我们提出的方法是有竞争力的，并取得了良好的鲁棒性，没有病人特定的工程。

在本文中，我们通过开发基于深度学习的模型，提出了一种患者特异性癫痫发作预测方法，以提高癫痫发作预测的性能。该方法所采用的脑电图信号的时频特性对癫痫发作的预测非常重要。一些研究将卷积神经网络应用于癫痫发作的预测，并证实了卷积神经网络是一种有效的方法脑电图分类[11]，[12]。然而，由于脑电图信号的复杂性和多样性，以及卷积神经网络结构简单，许多研究都获得了较低的癫痫预测性能。在本研究中，我们利用残差网络来提高癫痫发作的预测性能，并首次提出了双自我注意残差网络(dual self-attention residual network, RDANet)来预测癫痫发作。该RDANet通过频谱注意模块和信道注意模块，自适应地整合了脑电信号的局部特征和全局特征，增强了多通道脑电信号之间的相关性。此外，我们使用了省略一个交叉验证来评估预测结果，以确保它们是真实情况的代表。总体而言，与现有癫痫发作预测算法相比，数值实验证明了该算法的有效性。

2材料与方法
数据集
波士顿儿童医院收集的CHB-MIT头皮脑电图数据集包含22名儿童受试者连续844小时的头皮脑电图(sEEG)数据，并公开[25]和[26]。采用国际10-20系统的双极蒙太奇技术，以256hz的采样率从22个电极采集脑电图信号。Litt et al.[27]证明复杂的癫痫性放电在癫痫发作前7小时是常见的，而类似癫痫发作的活动在真正发作前2小时左右。与此同时，在癫痫发作前的50分钟内，积累的能量会增加。在本研究中，我们将痫前状态定义为癫痫发作开始前30分钟的脑电图信号，并将发作间期状态定义为癫痫发作结束后4小时至下一次发作开始前4小时之间的时间段。为了进行治疗干预，有必要在发作前留出一个短时间窗口。从临床角度来看，最好是有足够长的干预时间，让有效的治疗干预或预防措施[12]。在本研究中，将干预周期设置为5分钟，并从训练数据中删除。此外，考虑到癫痫发作可能发生得非常接近，我们对预测主要危机感兴趣，它距离下一次危机[29]大约不到30分钟。基于Truong et al.[12]，我们只考虑每天发作少于10次的患者，因为对于平均每2小时发作一次的患者来说，执行这项任务并不是很关键。基于上述定义和限制，表I显示我们从该数据集中选择了13例64次癫痫发作和268.6小时间歇期数据的患者。

数据预处理

为了解决数据不平衡的问题，我们在训练阶段使用重叠采样来获得更多的预簇数据。如图3所示。具体来说，我们定义发作前信号的长度为M，发作间信号的长度为N，计算两类数据的长度之比K(公式1)，设置采样窗口S为5秒。为了获得相同数量的两类数据，在训练阶段以S × K的移动步长收集癫痫发作前的数据，以S的移动步长收集发作间期的数据。对EEG信号进行分割，分别得到a和b的发作前和发作间期信号片段(见公式2和3)。

在脑电图数据分析中，时频域特征是非常重要的，通常采用二维图中表示三个参数的谱图进行研究。小波变换和短时傅里叶变换(STFT)是将脑电信号转换为[11]、[12]、[31]的常用方法。我们滑动5秒、15秒和30秒窗口，利用STFT将原始EEG信号转换为以时间和频率为轴的二维矩阵(如图3所示)。CHB-MIT数据集中大部分EEG记录受到60hz电力线噪声的污染，可以通过排除频率范围在57-63 Hz和117-123 Hz的部件来有效地去