基于脑电图的注意力稀疏图卷积神经网络的帕金森病识别

基于脑电图的注意力稀疏图卷积神经网络的帕金森病识别
EEG-Based Parkinson’s Disease Recognition via Attention-Based Sparse Graph Convolutional Neural Network

来源

期刊： IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICSENGINEERING
作者： Hongli Chang , Bo Liu, Yuan Zong , Member, IEEE, Cheng Lu , and Xuenan Wang
网址： https://ieeexplore.ieee.org/document/10173532

摘要

现存困难： 未能检测EEG通道之间的功能连接和相关脑区的响应，导致诊断精度不理想。
方法： 用于诊断帕金森的注意力稀疏图卷积神经网络( ASGCNN )。模型使用图结构表示通道关系，选择通道的注意力机制，以及捕捉通道稀疏性的L1范数。
验证： 帕金森听觉oddball范式数据集（24个PD患者(在ON / OFF药物状态下)和24个匹配的对照）。
结果： 与公开的基线相比，所提出的方法提供了更好的结果。Recall、Precision、F1值、Precision和Kappa值分别为90.36 %、88.43 %、88.41 %、87.67 %和75.24 %。
讨论： 研究揭示了额叶和颞叶在PD患者和健康个体之间表现出显著的差异。此外，ASGCNN提取的脑电特征在PD患者额叶表现出明显的不对称性。

数据集

  帕金森 oddball范式数据包括帕金森病患者( PD组)和健康对照者( CTL组)，在三刺激听觉oddball范式范式ON和OFF药物期间进行EEG记录。PD组间隔7天进行两次数据收集：一次服用药物( ON )，一次过夜( OFF ) 15小时后从各自的多巴胺能药物处方中撤出用于治疗PD的药物。

模型

  文章提出的基于注意力机制的稀疏图卷积神经网络ASGCNN模型如图2所示。在模型中，将人工提取的脑电特征作为输入，模型主要分为图注意力部分(即( a ) 主干Trunk分支和( b ) 注意力Attention分支)和空间特征建模部分(即( c) 空间LSTM )。

1. 图注意力部分
     主干Trunk分支： 采用图卷积网络来提取EEG信号的全局特征。两层图卷积层，输出大小分别为C × U1和C × U2。每个图卷积层后接Relu，增加了非线性，使得图卷积层的输出非负。
     注意力Attention分支： 使用一个图卷积层，通过设置变换矩阵M的维度来产生一个注意力向量。若该电极对分类任务的贡献较大，则该电极对应的注意力系数τ i的值较大，反之亦然。用softmax归一化注意力向量。
     最后，将注意力分支得到的注意力向量应用于主干分支提取的全局特征，为全局特征的电极分配不同的权重，实现电极的通道选择。
2. 空间特征建模
     为了充分利用电极空间位置的信息，使用长短期记忆网络LSTM 对图注意力部分提取的特征进行进一步处理。通过图的注意力部分提取EEG信号的全局特征后，使用LSTM按照电极顺序扫描全局特征，提取EEG电极空间拓扑位置的特征信息。然后，将隐含层矩阵输入到全连接层( FC )进行降维，最后利用softmax函数预测是帕金森患者和健康被试。

实验

留对交叉验证：1组作测试集，23组作训练集
实验1：判别健康和不服药的帕金森换患者
实验2：判别健康和服药的帕金森患者

结果

图3 实验1和实验2中所有被试5次辨别结果的均值和标准差
  实验1的识别正确率更高，标准差较低。可能在药物治疗下，PD患者病情好转；因此表现出更接近正常对照组分布的EEG特征。

图5. 实验1的混淆矩阵 图6. 实验2的混淆矩阵
  在总体混淆矩阵( ALL )中，实验1识别健康人的正确率高于帕金森患者，而实验2识别帕金森的正确率高于健康人。与实验2相比，实验1对两种类别都有更高的正确率。

表6 相同实验设计下，本文方法与基线方法比较
  在相同的实验设计下，包括相同的数据，通道数和协议，本文呢研究结果表明，所提出的方法优于现有的最先进的技术。