Preictal-Interictal Classification for SeizurePrediction文献阅读

癫痫发作预测的发作前间期分类

摘要：

癫痫是最常见的神经系统疾病之一，影响着全球5000多万人。癫痫发作是癫痫的一种常见症状，它会突然出现并导致患者生活中断。癫痫发作可导致严重伤害，患有无法治愈的癫痫的人必须忍受下一次发作的不确定性。预测癫痫发作的能力可以减轻癫痫患者面临的许多风险。患者将有时间采取预防措施，以降低受伤风险或完全预防癫痫发作。目前的大多数方法都侧重于在癫痫发作时进行检测。虽然这些方法很有用，但它们没有提供采取预防措施的任何准备时间。众所周知，实际发作前的大脑活动是即将发作的有力指标。

因此，我们从预测的角度来解决这个问题，开发了一种分类器，可以将癫痫发作前的状态与正常的大脑活动区分开来。开发这种具有高性能的分类器将为采取预防措施处理即将到来的癫痫提供提前时间。分类模型使用在短时傅里叶变换图像上训练的定制卷积神经网络来学习多通道颅内脑电图（iEEG）的特征。该模型是在一个大型公共数据集（SWEC-ETHZiEEG数据库）上训练的，该数据集包含18名患者2500多小时的EEG数据。我们对数据库中9名患者的数据进行了这些实验，结果各不相同，最高AUC为0.86。

设计分类器的挑战：没有普遍认同的发作前时间段。

最佳预测时间：5-173min

本文亮点：针对患者的个性化建模

如何针对患者：

超参数：（1）发作前周期长度（PPL）

（2）EEG窗口大小

确定两者的最佳组合：内部交叉验证

先前研究：采用固定PPL

还验证的干预时间（IT）对预测结果的影响（本文对IT的定义即为SPH，在触发警报后，为干预提供充足的时间）

Dataset：

发作前、发作间期时间段定义：

注：本文认为发作间期不包括发作后半个小时的这段时间。

原始数据的样本尺寸：[通道数，时间*采样率] （文中为[C, S*f]）

经过STFT变换后的样本尺寸：[通道数，STFT的分段次数，频幅] (文中为[C, T, F])

测试集：患者的最后一次发作

训练集：其他的发作

这样的优点：更好地证明模型对新数据的通用性，因为模型还没有看到来自测试集发作前状态的任何样本

使用的模型：

训练和验证：

网格搜索：使用不同的超参数值运行模型，并确定了最佳组合

评估性能：ROC曲线下方的面积大小（AUC）

优化器：具有交叉损失函数的Adam

epochs = 100

batch size = 128

验证集：选择一次发作。每一次发作都作为一次验证集，然后将所有的运行结果平均。

个人总结：

• 没有使用复杂的网络模型，就是简单的CNN。

• 在验证集和测试集的划分上有新意。

• 本文也重视SPH的存在。

• 重点在于发作前周期长度（PPL）和EEG窗口大小的选择，给不同的患者制定各自特定的超参数。