【读文献】Interpretable Seizure Classification Using Unprocessed EEG With Multi-Channel Attentive Feature

Interpretable Seizure Classification Using Unprocessed EEG With Multi-Channel Attentive Feature Fusion

基于多通道关注特征融合的未处理脑电图可解释癫痫分类

目的

癫痫发作分类

摘要

癫痫发作类型的识别在癫痫的临床诊断和治疗中起着至关重要的作用。然而，癫痫类型的临床评估高度依赖于观察到的医学症状和进行评估的癫痫学家的经验。一个关键的诊断工具是脑电图(EEG)，它可以捕捉大脑活动，并可用于确定癫痫发作的类型。脑电图通道在癫痫发作后表现出非平稳和动态的行为，每个脑电图通道根据癫痫发作类型和癫痫病灶表现出独特的特征。本文提出了一种新颖的深度学习架构，利用来自10-20布局的原始头皮EEG数据进行注意力驱动数据融合，在每个通道上训练独立的浅深度网络。与大多数首先采用数据工程步骤的最先进方法不同，我们直接将来自每个通道的EEG信号通过由SincNet和Conv1D层组成的深度卷积网络传递，该网络直接从输入信号中学习鲁棒特征，增加了模型的可解释性。

然而，每个通道和时间信息的重要性根据记录的特定条件而变化，这可能对整体识别产生不利影响。我们提出了一种基于细心融合信道的方法，以确保仅捕获来自单个信道编码器的显著特征，并将融合的信息传递给深度神经网络进行分类。我们提出的方法在**天普大学医院癫痫语料库(TUH，最大的公开可用癫痫数据集)**上获得了平均f1得分0.967。

提出的内容

1）一个可解释的深度学习架构，使用原始脑电图信号对癫痫发作进行分类
无论训练样本的数量如何，都可以在每种癫痫发作类型上实现一致的精度、召回率和f1分。与依赖工程特征相比，直接使用EEG信号(没有任何预处理或特征提取)有助于网络通过深度学习学习丰富的特征。

2)与最先进的方法不同，为每个通道训练单独的浅深网络(本研究中使用了最先进方法中常用的10-20系统中的19个通道)，使每个网络能够学习特定于通道的特征并增加网络的可解释性。
因此，该体系结构可以很容易地扩展到处理具有不同频率分布的新信道，从而将模型再训练限制在融合和分类子模块上。

3)由于并非所有EEG通道都包含所有示例的显着信息，因此引入了基于注意力的加权机制，该机制对时间和通道数据进行操作，以减轻不利影响，并确保仅将显着信息传递给分类器。

方法

0、数据集

TUH V1.4.0

采样率
通道数：19

1、EEG通道编码器

这一层被用作我们网络的第一层，以学习特定于应用程序和有意义的过滤器。由于SincConv层使用带通滤波器(参数化的sinc函数，具有高截止频率和低截止频率作为可学习的参数)，它提供了提取相关信息的灵活性，同时提供了清晰的物理含义，具有更高的可解释性。此外，与标准cnn相比，SincNet模型在原始波形上表现出了更好的性能，收敛速度更快。

2、时间与通道的注意机制融合

多通道特征融合是该方法的第二个组成部分。考虑到信道的变化，由于噪声和冗余会对网络性能产生不利影响，**因此在所有信道上的所有时间步长所包含的信息对于最终目标将不是同等重要的。**因此，我们提出了一个细心的融合模型来去除多余的信息。

公式：

向量上的sigmoi d给出了每个元素对目标的重要性，考虑到元素不是互斥的，而softmax将概率分布在所有元素上。由于每个向量中可能有多个信息元素，因此我们使用sigmoi d激活来独立考虑每个特征，因为softmax可能难以捕获多个相关元素。

然后，将来自每个通道的参与特征向量叠加在一起，并应用逐个通道的关注。
我们使用softmax关注来衡量频道的重要性，