18、基于医疗物联网的癫痫发作预测框架

基于医疗物联网的癫痫发作预测框架

1. 引言

癫痫在神经系统疾病中位居第二，而中风排名第一。全球约有5000万人受癫痫影响，四分之一的患者对现有治疗无反应，70%的人可通过抗癫痫药物成功控制发作，癫痫发作影响着约1%的世界人口。目前，开发安全可靠、适合长期植入人体的癫痫预测系统至关重要。

在癫痫发作预测技术中，从脑电图（EEG）记录收集的特征可分为发作前期和非发作前期状态。通常通过给EEG测量添加阈值或进行非线性分析来测试癫痫发作的预测。物联网在制造业、医疗保健、政府、基础设施管理和消费等多个领域迅速发展。主要目标之一是对脑信号进行分类，将其分为发作信号和非发作信号。通过边缘计算设计系统，减少了传输到云端的数据量，大数据分析和云计算的技术进步也有助于管理数据复杂性。利用可穿戴物联网设备收集用户必要数据及其周围环境信息，开发了自动化和计算机化的癫痫发作检测系统，需持续收集和处理患者的EEG和EOG信号，以保障患者安全。

主要贡献

• 医疗物联网（MIoT）可提高癫痫发作预测框架的能源效率。
• 为分类模型提出的新特征，使我们能够提出高效的癫痫发作预测技术。
• 通过纳入新特征，在保持高预测精度的同时，减少了EEG信号的数量。
• 提出了一种选择EEG通道的算法，减少EEG通道数量，降低存储数据和变量所需的内存。
• 应用了一个物联网框架，可将患者与医生和所选的救护人员连接起来。

拟采用的方法

详细介绍基于MIoT的癫痫发作预测框架（MIoT - ESPF），其技术结构的一般特征概述如图所示。

2. 基于医疗物联网的癫痫发作预测框架（MIoT - ESPF）

医疗技术的革命促使智能医疗更有效、智能地利用资源，以满足患者的个性化需求。随着世界人口增长，传统医疗难以满足需求，创新医疗系统的需求日益增长。基于MIoT的癫痫患者发作预测是提高患者生活质量的医疗范例。物联网是一个将现实世界所有组件连接起来的网络物理系统，使医生能够远程监测和咨询患者。

研究提出了一个用于实时预测癫痫发作的MIoT框架。使用市售无线耳机记录EEG数据，模型中不对EEG信号进行预处理。FPGA除了将预测结果传输给微处理器外，还会传输记录的EEG数据。当边缘端的癫痫发作预测正确时，会提醒患者选择的任何医疗服务。医生可以访问患者基于云的连续EEG记录并进行审查和分析。在预定时间内识别前一帧状态并生成警报，通过比较大脑的发作前期和发作间期状态来预测癫痫发作。尽管对癫痫发作预测进行了广泛研究，但发作前期状态没有标准时长，本研究选择了1小时的发作前期间隔和4小时的发作间期。

私有网络超感知觉（ESP）系统简化流程

该系统包括脑信号监测、决策和报警单元，以及包含电刺激和药物释放接口的干预模块。收集脑信号的两种常见方式是侵入性和非侵入性设备。现在可以使用非侵入性可穿戴设备实时监测健康状况，这些设备可以从身体获取和恢复信息。非侵入性脑信号记录的频率较低，空间分辨率较差，但智能手机支持的可穿戴设备的非侵入性能力可使癫痫发作、帕金森病、脑血管疾病等神经系统疾病患者受益。

3. 物联网医疗（IoMT）的功能

物联网涉及感知、网络和应用三个层面，数据流程如图所示。只要涉及人员，每个层面都会存在保密性、完整性和真实性的问题。由于人类交互，系统必须授予从个人和患者处获取的数据访问权限。出于隐私原因，人们无法充分利用设备的全部功能。患者健康信息的完整性、真实性和保密性至关重要，实时健康监测需要构建安全框架。医疗技术人员和护理人员的设备和防护框架在不断发展，但与这些结构相比，它们很快就会退化。

从网络层到物联网集线器和计算机的数据传输使用了蓝牙、Wifi、ZigBee、4G LTE等创新技术，这些技术使数据中心存储和入口点路由器能够相互通信。物联网节点通过网关进行通信，网关是数据交换的通道。应用层保护数据的保密性、完整性和真实性，有大量的物联网应用正在实施。应用层将网络与终端设备连接起来，随着每个应用的传感器提供数据，该层可以为其下方的应用提供各种服务。近年来，医疗保健中的无线体域网（WBAN）技术发展显著，通过将一系列医疗设备集成到WBAN中，可以实现跟踪患者行为、自动治疗患者等功能。

4. 增强型节能方法

自动特征工程和卷积神经网络（CNN）结构的精细手动设计有助于其在分类问题中表现出色。神经架构搜索（NAS）改变了手动设计神经网络模型的过程，实现自动实施，并能达到与手动设计相当甚至更好的性能。使用特定长度的字符串来描述神经网络，这些字符串包含目标神经网络的滤波器数量、宽度和长度以及池化层性能等信息。CNN控制器生成这些随机字符串。在本研究中，采用了一种简单的性能估计方法，由于癫痫发作预测的训练数据集所需时间较短，此部分未进行优化。当控制系统CNN完成字符串生成过程后，将创建、训练和验证该字符串描述。验证结果作为满意度信号，使用强化学习更新控制器CNN以实现最大奖励。x(ω)预计在以下公式中给出奖励：
[
\omega
[ ]
( ) =
(
)
x
A
U
s f Y w
1, ,
]

例如，CNN基于概率密度函数s预测动作f1,Y。循环神经网络（RNN）的验证准确率（U）用作训练控制器的高性能指标。由于U不可微分，我们使用以下过程对控制器的设置进行必要调整：
[
\sum\sum
\omega
(
)
(
)
\nabla
−
\begin{cases}
1 \
\end{cases}
\omega
(
)
=
=
−
D
Q f
f
U
c
D
D
y
Y
y
y a
y
1 \
log
|
;
1
1
1
]

该公式描述了使用此方法在单个批次中可以生成的Y个网络架构，基于验证规则。控制器对给定超参数字符串的预测用字母D表示，每个后续网络架构的验证准确率用Uy表示，其指数移动平均准确率用c表示。更新控制器CNN参数，使具有高精度的结构获得高选择概率。本研究旨在评估癫痫发作预测网络中各种比特量化方法的性能损失。在定点表示中，权重和授权被量化到相同的比特数。本研究中的权重量化方法如下：
[
\omega
(
)
=
\times
−
−
\begin{pmatrix}
1 \
\end{pmatrix}
−
−
−
A
clip round
a
a
a
2
2
1,1
2
1
1
1
]

量化前，A分别是需要量化的比特数。使用上述公式中的量化tanh函数对激活进行量化。1比特和2比特参数的量化在正向传播和反向传播中的情况如图所示。无论使用多少量化比特A来训练量化模型，只要正常估计器传播的梯度是该函数即可。
[
(
)
( )
(
)
(
)
=
=
−
E
e b
Clip b i
b
tan
,1 ,1
max
1,min 1.
]
反向传播分类是一个有用的操作，因此使用了该函数。

这些系统在数据收集、传输、检索和存储的每一步都必须保护数据。像MIoT这样的电子和传感器设备注重物理安全，数字防御则针对使用网络连接介质的虚拟对手。图展示了IoMT的WBAN功能流程图。在诊断某些疾病时，设备之间的协作至关重要，测量参数必须以最高级别的安全性进行处理。传感器节点的处理器通常处理事件分类。为确保医疗人员和应急响应人员尽快得到警报，若检测到异常，私有服务器必须接收设备的实时数据。IoMT平台具有快速且易于使用的图形用户界面。当检测到异常事件时，需要调整WBAN跟踪以确定每个患者的准确位置。医院中的患者由WBAN网络持续监测，主要用于帮助需要紧急医疗救助的患者。

对于可穿戴ESP，从脑电波生成的可靠特征会有所帮助。此部分描述了从时域和频域数据中提取特征的最新方法。在时域中，可以使用统计矩提取EEG信号属性。由于发作前期和发作间期存在较大差异，一些统计矩（如均值和方差）适用于ESP任务。使用自相关函数（ACF）的过零检测具有优势，通过比较信号幅度与其时移版本之间的关联，可以评估数据是否随机。在延迟S时，ACF i定义如下：
[
1
1
2
A
X
X
X
X
X
X
s
i
n s
i
i s
i
n s
i
\sum
\sum
(
)(
)
(
)
=
−
−
−
\begin{pmatrix}
1 \
\end{pmatrix}
=
−
+
=
−
]

在上述公式中，为计算目标时间序列的时间序列均值，将Xi除以测量次数并乘以Xi + s。

时间序列信号的频域表示基于傅里叶变换。研究人员利用EEG信号的频域信息研究大脑。根据传统分类，表中所示的三个频率子带可分为五种不同类型。

频率带	频率范围	特征
Theta	<3	婴儿、儿童和成人都易受此现象影响。
Alpha	3 - 7	通常在人们处于放松状态时出现。
Beta	13 - 31	焦虑症患者更可能出现额叶功能障碍。
Gamma	>29	处于各种情绪状态（包括焦虑和满足）的人具有较宽的高频带。

5. 结果与讨论

本研究对响应式神经刺激器的癫痫发作检测方法进行了研究。由于该系统必须可植入，因此其计算负载和能耗存在显著限制。设计了三种癫痫发作检测方法，并对它们在嵌入式系统中执行的性能和能量需求进行了估计和比较。

在性能比较中发现，卷积神经网络（CNN）分类器的表现优于其他分类器。使用CNN分类器评估了癫痫发作检测算法中的能量估计准确性。通过这次比较，我们能更好地了解我们的预测方法与当前最新进展相比的准确性。

由于没有一种单一的医疗物联网（MIoT）结构在检测癫痫发作方面比其他结构更出色，因此在决定使用哪种结构进行癫痫发作检测时，需要考虑数据集和问题特征，这包括实时识别的需求或最低可接受的准确性水平。如前文所示，该领域需要更多地关注临床数据和癫痫发作预测，以提高检测准确性。

研究还涉及了广泛的问题，包括通货膨胀等。大多数研究集中在患者敏感度比率、特异性比率、癫痫发作预测率、准确率比率、CNN的性能分析和误报率等方面。新的报告显示，本研究发现对基于医疗物联网的癫痫发作预测框架（MIoT - ESPF）的理解比以往研究更准确。

性能指标可比性

下表展示了行业中性能指标的可比性。如果用于计算的指标落在指定范围内，则可以更好地支持组织的总体目标。
| 参数 | Bi - LSTM | SPM - PSMD | DL - LM | CHB - MIT - EEG | MIOT - ESPF |
| — | — | — | — | — | — |
| 敏感度比率（%） | 45.7 | 55.67 | 65.6 | 47.7 | 92.11 |
| 特异性比率（%） | 55.6 | 50.5 | 65.4 | 67.8 | 89.91 |
| 预测率（%） | 62.3 | 52.3 | 42.3 | 64.3 | 90.23 |
| CNN性能分析（%） | 58.2 | 68.2 | 38.2 | 59.2 | 96.8 |
| 误报率（%） | 58.5 | 38.5 | 68.5 | 57.5 | 93.51 |
| 准确率比率（%） | 34.6 | 56.7 | 67.8 | 74.2 | 90.31 |

6. 结论

所提出的能量预测方法可用于验证为医疗植入物开发的癫痫发作检测模型的适用性和相关性。通过早期检测发作前期状态的开始，现在可以预防癫痫发作。可以通过在患者大脑中植入电极来记录脑电图（EEG）信号，但准确预测高特异性同时保持低误报率仍然是一个问题。EEG信号必须进行预处理以去除记录过程中引入的噪声。选择少数通道比使用所有网络或将它们转换为单个替代通道更困难，因为可用通道较少。

癫痫发作预测系统中的另一个主要问题是特征提取和选择。必须选择一组具有高协方差变异性的小属性，以降低整个系统的复杂性，从而在一定程度上成功检测癫痫发作。这些研究和其他研究的结果表明，所提出的方法能够有效地实时预测癫痫发作。为了在任何位置为患者提供更好的护理，需要更好地理解癫痫模型。

整体流程回顾

下面是基于医疗物联网的癫痫发作预测的整体流程：

graph LR
    A[数据收集] --> B[特征提取]
    B --> C[模型训练]
    C --> D[发作预测]
    D --> E{是否发作}
    E -- 是 --> F[触发警报及干预]
    E -- 否 --> B
    F --> G[医疗服务介入]

整个流程从数据收集开始，通过不断地提取特征、训练模型进行癫痫发作的预测，当预测到发作时及时触发警报和干预措施，并让医疗服务介入。这个流程体现了基于医疗物联网的癫痫发作预测框架的系统性和有效性。