022 利用头皮脑电信号预测癫痫发作2021

Epileptic seizure prediction using scalp
electroencephalogram signals

癫痫是一种脑部疾病，患者经常癫痫发作。约30%的癫痫患者无法通过药物/外科手术进行治疗。异常活动，称为发作前状态，在癫痫实际发生前几分钟开始。因此，如果可以在癫痫发作之前预测发作前状态的启动，那么在癫痫发作之前给药是可能的。我们提出了一种癫痫发作的预测方法，该方法通过脑电监测大脑活动来预测癫痫发作前的发作前状态。它包括脑电信号的预处理、发作前状态和发作间歇期状态的特征提取、分类三个步骤。在我们提出的方法中，我们使用了(I)经验模型分解来去除脑电信号中的噪声，生成对抗网络来生成发作前样本来处理类别失衡问题；(Ii)用三层卷积神经网络来提取自动特征；(Iii)用长时间短期记忆单元来完成发作前和发作间状态的分类。在本研究中，我们使用了CHBMIT的头皮脑电信号数据集，并在22个数据集上验证了我们提出的方法。我们提出的癫痫发作预测方法能够达到93%的灵敏度和92.5%的特异度，平均时间为32min。我们的方法得到的结果已经与最近最先进的癫痫发作预测方法进行了比较。我们提出的方法在敏感度、特异度和平均预期时间方面都有更好的表现。

我们提出的癫痫发作预测方法包括三个步骤：头皮脑电信号的预处理、特征提取以及发作前和发作间歇期状态的分类。这一部分详细解释了脑电数据集以及提出的方法的所有步骤。

2.1. EEG dataset

我们使用了CHBMIT头皮EEG数据集，该数据集是在https://physionet.org/content/chbmit.上公开提供的。该数据集包含22名癫痫患者的头皮脑电记录。使用标准的10-20电极放置系统记录一小时的EEG信号。在包含已发生发作的数据的每个文件中，对发作开始和发作结束的数据集进行了注释。脑电信号以256赫兹采样，在大多数情况下使用23个电极。表1描述了数据集。我们将长达1小时的脑电记录分为29秒的多个片段，并将发作间期和发作前状态分开。图2显示了所提出的方法的流程图，该方法包括EEG信号的预处理、特征提取以及发作间期和发作前状态的分类，以预测癫痫发作。

  2.2. EEG preprocessing

在脑电信号的预处理阶段，我们解决了两个问题：去噪和减少类不平衡问题。为了去除噪声和提高信噪比，我们应用经验模式分解(EMD)[57]对脑电信号进行去噪，以提高脑电信号的信噪比。

癫痫发作预测的另一个主要问题是类别不平衡问题。脑电信号采集过程中记录的发作前状态样本较少，导致分类不平衡问题，导致分类困难、效果不佳，导致敏感性和特异度降低。我们提出利用产生式对抗网络来产生发作前数据，以减少发作前和发作间歇状态数据之间的类别不平衡率。

我们首先使用短时傅立叶变换将脑电信号转换到频域，使之适用于生成性对抗网络[58]。EMD应用于脑电信号时，返回本征模式函数(IMF)，通过组合后四个本征模式函数，得到去噪后的信号。

IMF可以通过以下算法[59]来获得：假设X(T)是EEG信号，如果IMF满足以下条件，则从该信号中提取IMF：

        (1)峰值总数必须等于过零总数。

        (2)在信号中的任何时刻，局部极大值和极小值的平均值必须为零。

        算法1解释了从输入信号X(T)中提取IMF。

 输入：x(T)输出imf

1：在正负峰值之间进行上采样，生成包络max(T)和min(T)；

2：计算最小值和最大值m(T)之间的平均值；

3：提取y1(t)=X(t)-m(t)；

4：应用两个条件检查y1(t)是否为imf；5：重复步骤1到步骤4，直到确认imf。

 

图3显示了一个通道的原始脑电信号和应用经验模式分解后的去噪信号。

图4显示了生成性对抗性网络的框图。

2.3. Feature extraction

从脑电信号中去除噪声后，提取了发作前和发作间期的特征。研究人员使用了两种常见的方法，手工特征提取和使用深度学习技术的自动特征提取。在手工特征提取方法中，提取的特征与脑电信号的类别无关。然而，自动特征提取是在卷积神经网络的帮助下完成的[60]。在该方法中，在考虑脑电信号类别的情况下提取特征。这样，由于这些特征具有较低的类内方差和较高的类间方差，因此可以获得改进的结果。

CNN[60]包括具有适当过滤器大小的卷积，然后是激活函数、合并和批次归一化。如果Xn表示输入信号和Hk滤波器，则可以使用公式进行卷积。

在反向传播过程中，可以使用等式计算所有层的权重/偏差(2)和(3)。

其中W表示层l和B偏移的权重。R、x、n、m和t是正则化参数。C表示当前层，l用于转换输入。

softmax通常用于下采样和缩减要素图。批量标准化有助于减少培训时间。假设 zi 表示神经元的输出，则可以使用等式进行批量归一化。(4)-(7)。

其中m、s分别表示平均值和标准差。G和b是可训练的参数。

 

提出了一种用于头皮脑电信号特征提取的三层卷积神经网络结构。

图5显示了用于特征提取的CNN体系结构。CNN得到的输入为64×112×23，这是通过使用STFT将时域信号转换到频域而得到的。

对29 s非重叠窗的脑电信号进行了短时傅里叶变换，得到了准确的64×112信号。23表示从癫痫患者记录的脑电通道数。表2提供了我们建议的CNN模型的摘要。细胞神经网络的第一层由16个5×5的滤光片卷积而成，然后是以leaky ReLu为激活函数的激活层。卷积后进行最大值池和批归一化，减少了特征图，增加了训练过程。在第二层中，应用了16个3 ×3的过滤器，然后是激活层、最大值合并和批次归一化。在最后一层中，使用了32个3×3的过滤器，然后是激活层、最大值合并和批归一化。用leaky ReLu代替简单的ReLu，避免了梯度消失问题。为了加快训练过程，已经应用了批量标准化。在使用这三层CNN之后，生成的图像被展平以得到1×3584的特征向量。

 

2.4. Classification of preictal and interictal EEG patterns

在我们提出的方法中，我们使用了递归神经网络来进行分类。一种称为长短期记忆单元(LSTM)的递归神经网络的变体已被用于对发作前和发作间期状态进行分类。从CNN获得的特征集被转换为序列长度为50的序列，并被馈送到LSTM进行分类。

LSTM由忘记门和输入门组成，用于存储先前的信息或忘记信息。此信息通过维护单元状态从一个单元传递到另一个单元。(8)和(9)表示忘记门和输入门的实现。Ht-1表示LSTM[62]网络的上一层的权重。(10)和(11)表示晶胞状态和方程的计算。(12)和(13)计算产量和新的权重。

在我们提出的方法中，LSTM由256个输入神经元和一个输出神经元组成，用于分类前期和间期。

3. Results

我们已经在所有这些对象上训练了我们提出的癫痫发作预测方法，并测试了计算灵敏度、特异度和平均预期时间。(14)和(15)表示灵敏度和特异度的计算。

其中Tp、Tn、Fp、Fn分别代表真阳性、真阴性、假阳性和假阴性。必须计算敏感度以显示正确分类的发作前数据。

同样，特异性也是同样重要的衡量标准，因为如果发作间期被错误地归类为发作前状态，作为预防措施的药物可能会对患者的健康产生不利影响。另一个重要的性能标准是预期/预测时间。方法随着平均预期癫痫发作时间的增加，为采取预防措施阻止即将到来的癫痫发作提供了更长的持续时间。

我们提出的方法具有更高的真阳性率、低的假阳性率和更长的平均预期时间。我们对24名受试者进行了k重交叉验证，预测时间为32min，灵敏度为93%，特异度为92.5%。在24例受试者中有5例的敏感度甚至达到95%。表3比较了我们提出的方法与当前方法的灵敏度、特异度和平均预期时间。

ROC曲线也较好地反映了癫痫发作预测方法的性能。图6比较了现有方法和提出的方法的ROC曲线。图6中的实线表示癫痫发作预测方法的ROC曲线，虚线表示所提出方法的ROC曲线。图7比较了所提出的方法与最近的方法的敏感性和特异性。结果表明，该方法具有较低的误警率和较高的预测灵敏度。在使用深度学习算法进行特征提取和/或分类的方法中，训练模型所需的参数数量也对处理速度起着至关重要的作用。与使用CNN进行特征提取的方法[29，33，34]相比，使用CNN进行特征提取和使用LSTMS进行分类所需的可训练参数的数量已经减少。

 

 

4. Discussion

如果不对脑电信号进行预处理，研究人员就无法获得更好的分类结果。表3使用CHBMIT数据集比较了现有癫痫发作的预测方法。研究人员使用了HVD、FFT、STFT、带通滤波、EMD和小波变换等方法进行了预处理。结果表明，HVD、STFT和EMD在提高信噪比方面表现出较好的效果。在现有的方法中，已经提取了手工特征，包括时/频域的单变量/多变量特征和使用CNN的自动特征提取。已经观察到，从CNN提取的特征提供了更好的类间方差。利用CNN和LSTM进行分类，取得了较好的分类效果。从这一比较中，我们可以得出结论，在预处理和特征提取方面存在许多差距。在预处理过程中，发作间期数据和发作前数据之间存在类别不平衡问题，特征提取需要定制的CNN结构。这些方法已经根据敏感性、特异性和平均预期时间进行了评估。发作前状态为阳性，发作间期为阴性。

如前所述，典型的癫痫发作预测方法包括脑电信号的预处理、特征提取和分类。近年来，许多研究人员试图在癫痫发作之前预测癫痫发作，以便通过药物预防。然而，它们都面临着提高敏感性和特异性来预测癫痫发作的挑战。这些挑战包括：对脑电信号进行有效的预处理以去除脑电信号中的噪声，处理由于发作前状态数据比发作间期状态数据少而导致的类别不平衡问题，以及提取具有较高类间方差的特征以帮助准确地分类发作前状态和发作间期状态。

表3显示了Cui等人[27]和Direito等人提出的方法。[42]分别达到70.5%和47%的灵敏度。性能的下降是由于这些方法没有使用任何用于噪声去除的预处理技术。由[14，19，29，30，33，34，41，44]提出的癫痫发作预测方法的结果表明，从CNN中自动提取特征可以得到更好的结果。利用CNN提取的特征具有较好的类间方差，已有的利用CNN进行特征提取的方法取得了较好的效果。从现有的方法可以明显看出，支持向量机和最小二乘法也取得了更好的灵敏度。一个重要的性能度量是预期时间，这在许多现有方法中没有报道[11，13-15，17-24，51，28，34，35，38-40，42，44-46]。

现有的方法没有解决类不平衡问题。在我们提出的方法中，我们使用生成性对抗网络来生成发作前数据，以解决类别不平衡问题，通过合成数据生成与原始数据具有相似的分布。在实验过程中观察到，采用低通或带通滤波，噪声被去除，但重要信息也被去除。因此，EMD被用来保存信号的信息，以更好地刻画发作前和发作间的状态。另一个问题是类别不平衡，因为包含发作前状态的会话非常少。合成少数过采样技术(SMOTE)用于通过重叠窗口增加发作前状态的样本来处理类不平衡问题。我们使用SMOTE生成发作前状态样本，它对训练数据有改善，但降低了方法在测试数据上的性能。这种降低的表现可能是过度拟合的结果，因为发作前状态的相似样本被用于训练。而GaN在没有过采样的情况下生成合成数据。

我们使用了定制的CNN来最小化学习参数。在所提出的分类方法中使用的LSTM有助于实现更长的癫痫发作的平均预期时间，因为LSTM中的门有助于保留先前样本的信息。我们工作的意义在于，我们提出的方法在所有对象上都获得了更高的灵敏度、特异度和平均预期时间。

然而，现有的方法并没有在数据集的所有主题上实现这三个性能度量，而只是在数据集的选定主题上报告了结果。在所提出的工作中应用了K重交叉验证来验证方法的结果和性能。ROC曲线分析还表明，与现有方法相比，我们提出的方法在获得更高的灵敏度和较低的误警率的情况下，具有更好的性能。

我们提出的癫痫发作预测方法是基于深度神经网络技术的，与现有的方法相比具有更好的灵敏度、特异度和平均预期时间。通过有效的预处理、优化的特征集和稳健的分类，我们取得了这些结果。在前置处理中，通过EMD对脑电信号进行去噪，提高了头皮EEG信号的信噪比，并通过基于产生式对抗网络产生额外的发作前状态数据解决了类不平衡问题。我们使用定制的CNN结构进行特征提取，使用LSTM进行分类。将来，我们提出的方法可以针对不同的数据集进行定制。在这项研究中，我们主要关注深度学习技术，而机器学习和深度学习技术的结合也可以在未来使用，以提高平均预期时间。我们提出的方法可以应用于实时的脑电信号记录，以预测未来的癫痫发作。