PDCNet：一个利用脑电信号检测帕金森病的自动框架

PDCNet：一个利用脑电信号检测帕金森病的自动框架
PDCNNet: An Automatic Framework for the Detection of Parkinson’s Disease Using EEG Signals

来源

期刊： IEEE SENSORS JOURNAL, VOL. 21, NO. 15, AUGUST 1, 2021
作者： Smith K. Khare , GraduateStudentMember,IEEE, Varun Bajaj , SeniorMember,IEEE, and U. Rajendra Acharya , SeniorMember,IEEE
网址： https://ieeexplore.ieee.org/document/9430513

摘要

方法： 平滑伪Wigner - Ville分布( SPWVD )与卷积神经网络( CNN )耦合的自动PD检测。首先对EEG信号进行SPWVD得到时频表示( TFR )。然后将这些二维图输入到CNN中。所提出的模型使用两个公共数据集开发。
验证及结果： 我们在数据集1和2中分别获得了100 %和99.97 %的PD自动检测准确率。

数据集

数据集1： 该数据集( openneuro )由15名PD患者和16名HC受试者组成。采用Biosemi Active Two 32导脑电系统，采样频率为512 Hz。在静息状态下记录至少3 min的EEG数据。所有的EEG信号都经过了0.5 Hz截止频率的高通滤波。
数据集2： 该数据集由马来西亚国民大学医院收集的20例PD患者和年龄匹配的20例无任何精神疾病或神经系统疾病史的HC受试者的脑电记录组成。在128 Hz采样频率下，使用14通道情绪EPOC神经头套进行至少5 min的静息态脑电记录。之后，将信号在2 s长度的窗口内进行分层。通过舍弃超过± 100V的信号幅值，使用阈值技术去除眨眼伪迹，然后在1至49Hz频率范围内使用六阶巴特沃斯滤波器进行正向和反向滤波。

方法

图1 提出PDCNNet的示意图
信号采集： 从大脑采集EEG信号
信号处理： SPWVD得到时频表示，将这些二维图输入到CNN中
卷积神经网络： 卷积层通过使用线性和废县新兴操作组合进行特征提取；池化层进行下采样操作，为后续可学习参数的数量和特征图降维；全连接层将最后一个卷积层或池化层的特征图进行拉平，从二维转换到一维。softmax层使用算法将概率映射为标量值的向量。
输出： 健康人或帕金森患者

图2 利用SPWVD ( a ) 健康人和( b ) 帕金森患者得到的样例时频表示。

图3 CNN架构的系统配置

结果

表3 十折交叉验证 数据集1和数据集2的精度

数据集1 健康和未服药的帕金森患者的分类平均准确率为99.84 %，而对于服药帕金森患者的分类平均准确率为100 %
数据集2中的平均分类精度99.97 %的平均准确度。