【文献翻译】Epileptic Seizures Detection Using Deep Learning Techniques: A Review

利用深度学习技术检测癫痫发作：综述

摘要

人们提出了多种筛查方法来诊断癫痫发作，使用脑电图（EEG）和磁共振成像（MRI）模式。人工智能包括许多领域，其中一个分支是深度学习（DL）。在深度学习兴起之前，传统的机器学习算法涉及特征提取。这将他们的表现限制在手工制作功能的能力上。然而，在DL中，特征提取和分类是完全自动化的。这些技术在许多医学领域的出现，如癫痫发作的诊断，已经取得了重大进展。在这项研究中，全面概述了使用DL技术和神经成像方式进行癫痫发作自动检测的工作。本文描述了利用EEG和MRI模式自动诊断癫痫发作的各种方法。此外，还对使用DL开发的癫痫发作康复系统进行了分析，并提供了总结。康复工具包括云计算技术和实现DL算法所需的硬件。本文还讨论了利用脑电和磁共振成像技术准确检测癫痫自动发作的重要挑战。介绍了基于DL的癫痫发作诊断技术的优点和局限性。最后，提出了最有前途的DL模型，并展望了癫痫发作自动检测的未来工作。

1 - 引言

癫痫一种非传染性疾病，是人类最常见的神经系统疾病之一，通常与突然发作有关[1]。癫痫发作是大脑电活动的一种快速早期异常，会扰乱整个身体的一部分[2]。癫痫发作正以各种方式影响着全世界约6000万人[3]。这些攻击偶尔会引发认知障碍，从而对患者造成严重的身体伤害。此外，癫痫发作患者有时会因为尴尬和缺乏适当的社会地位而遭受情绪困扰。因此，早期发现癫痫发作可以帮助患者改善生活质量。已经开发了各种筛查技术来诊断癫痫发作，包括MRI[4]、EEG[5]、脑磁图（MEG）[6]和正电子发射断层扫描（PET）[7]。EEG信号因其经济、便携且在频域内显示清晰的节律而广受青睐[8]。EEG提供了大脑神经元离子电流产生的电压变化，这表明大脑的生物电活动[9]。用EEG信号诊断癫痫既费时又费力，因为癫痫学家或神经科医生需要仔细筛查EEG信号。此外，还存在人为错误的可能性，因此，开发基于计算机的诊断可能会缓解这些问题。许多机器学习算法已经被开发出来，使用统计、频域和非线性参数来检测癫痫发作[10]、[11]、[12]、[13]、[14]、[15]。在传统的机器学习技术中，特征和分类器的选择是通过试错法进行的。此外，人们需要具备信号处理和数据挖掘方面的扎实知识，才能开发出稳健的模型。这种模型在有限的数据中表现良好。如今，随着数据可用性的增加，机器学习技术可能表现得不太好。因此，采用了最先进的深度学习技术。

在传统的机器学习算法中，大多数仿真都是在Matlab软件环境中执行的，但深度学习模型通常是使用Python编程语言及其众多开源工具箱开发的。应用编程语言的这种变化帮助研究人员更轻松地对其他作品做出贡献，并更直接地再现先前得到的结果。还通过云计算为每个人创造了计算资源的可访问性，最后，为生物医学任务创建应用程序特定硬件提供了更方便的途径。图1显示，Tensorflow及其高级API之一Keras由于其多功能性和适用性，在回顾性工作中广泛用于通过深度学习进行癫痫发作检测。自2016年以来，大量研究开始使用深度学习模型识别癫痫，如卷积神经网络（CNN）、递归神经网络（RNN）、深度信念网络（DBN）、自动编码器（AE）、CNN-RNN和CNN-AE[16]、[17]、[18]、[19]。通过提出新的有效模型，这一领域中使用深度学习的研究数量正在增加。图2概述了2014年至2020年间使用各种深度学习模型进行的癫痫发作检测研究的数量。


本研究的主要目标如下：

• 提供可用EEG数据集的信息。
• 回顾使用各种深度学习模型通过各种方式自动检测癫痫发作的工作。
• 介绍癫痫发作检测的未来挑战。
• 分析各种数据模式的最佳性能模型。

第二节讨论了利用深度学习检测癫痫发作。第三节介绍了基于非脑电图的癫痫发作检测。第四节提供了用于癫痫发作检测的硬件。第五节概述了对该文件的讨论。第六节总结了采用深度学习方法检测癫痫发作所面临的挑战。最后，第七节描述了结论和未来的工作。

2 - 基于深度学习技术的癫痫发作检测

图3展示了使用深度学习方法的计算机辅助诊断系统（CADS）的工作原理。深度学习模型的输入可以是EEG、MEG、皮质电图（ECoG）、功能性近红外光谱（fNIRS）、PET、单光子发射计算机断层扫描（SPECT）、MRI。然后对信号进行预处理以去除噪声。然后利用这些去噪信号建立深度学习模型。使用准确性、敏感性和特异性来评估模型的性能。此外，本文附录a中的表格中还列出了一个表格，该表格综合了使用深度学习检测癫痫发作的所有工作。

A. 癫痫数据集

数据集在开发准确、可靠的计算机辅助设计中起着重要作用。多个EEG数据集，即Freiburg [20]、CHB-MIT [21]、Kaggle [22]、Bonn [23]、 Flint-Hills [13]、Bern-Barcelona [24]、 Hauz Khas [13]、and Zenodo可用于开发自动癫痫发作检测系统。来自这些数据集的信号要么在颅内记录，要么从人类或动物的头皮记录。表一列出了每个数据集的补充信息。图4显示了在回顾性研究中，每个数据集用于检测癫痫发作的次数。可以观察到，Bonn数据集是最常用于回顾性研究的数据集。

B. 预处理

在基于深度学习的CAD系统中，EEG信号预处理通常包括三个步骤：噪声去除、归一化和深度学习网络应用的信号准备。在噪声去除步骤中，通常使用有限脉冲响应（FIR）或无限脉冲响应（IIR）滤波器来消除额外的信号噪声。然后使用各种方案（如z-score技术）执行归一化。最后，采用不同的时域、频率和时频方法来准备用于部署深度网络的信号。

C. 深度学习技术回顾

与传统的神经网络或所谓的浅层网络不同，深层神经网络是具有两个以上隐藏层的结构。最近的一些深网有上百层[16]。网络规模的增加导致网络参数数量的大幅增加，需要适当的学习方法，以及避免学习网络过拟合的措施。卷积网络使用与输入模式卷积的滤波器，而不是乘以权重向量（矩阵），这大大减少了可训练参数的数量。

此外，还建议使用其他方法帮助网络学习[26]。池化层将输入模式的大小减少到下一个卷积层。批