006基于近似熵、递归量化分析和卷积神经网络的癫痫发作自动检测-2019

Automatic Detection of Epileptic Seizure Based on Approximate Entropy, Recurrence Quantification Analysis and Convolutional Neural Networks

高光：

ApEn用于量化癫痫发作的复杂性。

RQA评估癫痫发作的复发行为。

提出了一种基于ApEn和RQA结合卷积神经网络(CNN)的癫痫脑电信号自动记录方法。

使用该方法的分类正确率可达99.26%

Abstract

癫痫是人类最常见的神经系统疾病。脑电图是临床诊断癫痫发作活动的常用工具，为理解癫痫障碍背后的生理机制提供了有价值的信息。近似熵和递归量化分析分别是量化非平稳信号复杂度和递归行为的非线性分析工具。卷积神经网络是一类功能强大的模型。本文提出了一种基于近似熵和递归量化分析结合卷积神经网络的癫痫脑电图自动记录方法。波恩数据集用于评估所提议的方法。结果表明，近似熵和复发量化分析对癫痫发作的检测效果良好(灵敏度、特异性和准确性均大于80%);其中复发率的敏感性、特异性和准确性分别达到92.17%、91.75%和92.00%。将近似熵和递归量化分析特征与卷积神经网络相结合，自动区分癫痫发作脑电图与正常记录，分类结果可达98.84%、99.35%和99.26%。这使得癫痫记录的自动检测成为可能，对癫痫的临床诊断和治疗将是一个有价值的工具。

1. Introduction

癫痫是一种常见的神经系统疾病，由脑电波活动异常[1]引起。反复发作对患者的心理和精神健康极为有害。癫痫发作时，大脑异常兴奋，过度同步，癫痫引起中枢神经系统暂时性故障。脑电图(EEG)是对大脑自发生物电位的记录，可为癫痫的检测提供有用的信息。因此，脑电图已广泛应用于癫痫的诊断和治疗[2-4]。

医学专家通常采用人工判读的方法来检测癫痫发作。但是，医生通过目测来区分脑电图是一个特别耗时的过程，而且很容易受到医生水平和主观因素的影响。因此，有必要开发癫痫自动识别方法。前人已经对这一问题进行了研究，如Ouyang等[5]使用复发图指标确定癫痫大鼠并取得了较高的准确性，Ma等[6]使用样本熵和人工神经网络预测癫痫发作。然而，目前还没有人讨论将非线性分析方法与卷积神经网络相结合的结果。

各种证据表明，大脑是一个复杂的非线性动态系统，而脑电信号是非线性和非平稳的[7-11]。递归图是一种非线性工具，用于分析时间序列在相空间的递归特征[12, 13]。在分析非线性动力系统时，递归图的表现比传统方法好得多，特别是对短时序列。近年来，递归定量分析（RQA）被广泛用于分析生理信号，如脑电图记录[14-17]、肌电图信号[18]、心率变异[19]、血压[20]等。Acharya等人[17]用RQA分析了睡眠期间的EEG信号，发现不同睡眠阶段的EEG信号的非线性特征表现出明显的差异。Billeci等人[21]和Y ang等人[22]报道，用RQA提前预测癫痫发作是可行的。

另一个非线性指标是近似熵（ApEn）[23]，它通常被用来衡量时间序列的规律性。ApEn已被广泛用于评估癫痫发作时间序列的复杂性[24]。在癫痫活动期间，由于大量神经元的同步放电，ApEn的值会突然下降[25].

选择能够代表脑电图记录特征的特征对于检测癫痫发作很重要。因此，在这项工作中，RQA和ApEn被用来辨别脑电图。

卷积神经网络（CNN）是最常见的分类器之一 [26, 27]，特别是用于对脑电图进行分类 [28-30]，本研究选择它作为分类器模型。CNN可以被定义为高度相互连接的结构，由自适应的简单处理元素组成，这些元素被称为神经元或节点 [31, 32]。此外，CNN是一种计算建模工具，可以大规模地并行计算数据处理和知识表示。CNN由许多相互连接的计算神经单元组成。为了生成所需的映射，必须对CNN进行训练以纠正偏差。最近，CNN被广泛用于生物医学领域的数据分析和诊断[33-37]。特别是，基于从实例中学习的能力，CNN适用于模式识别问题，并能重现输入的任何非线性函数以及高度并行和规则的结构.

训练算法是CNN的一个重要组成部分。如果用不恰当的算法进行训练，一个好的拓扑结构可能会表现出低效。在目前的工作中，贝叶斯正则化反向传播被用作训练算法[38, 39]，它根据Levenberg-Marquardt优化器更新权重和偏差值。它利用最小化平方误差和权重的组合，然后选择正确的组合来产生一个泛化网络。

本文提出了一种基于递归量化分析、近似熵和卷积神经网络的癫痫脑电信号分类方法。首先，采用ApEn和RQA将非发作组与发作受试者进行分类。然后将ApEn值与RQA量化值相结合作为CNN的输入，实现癫痫性脑电图的自动检测。在特征提取部分，提取的RQA定量值和ApEn值作为非线性特征。在临床脑电图数据实验中，该模型具有良好的性能。

2. Materials and methods                

2.1 Materials 

实验数据来自德国波恩癫痫实验室的脑电图数据库[40]，由Z、O、N、F、S五个集组成。

每组包含100条持续时间为23.6s的临床颅内脑电图记录，采样频率为173.6 Hz。在视觉检查伪影后，选择这些片段并从连续的多通道脑电图记录中切割。5名健康志愿者通过标准化电极放置方案进行的表面脑电图记录分别命名为Z(志愿者睁开眼睛保持清醒和放松状态)和O(志愿者闭上眼睛保持清醒和放松状态)。集合N、F和S来自5名接受手术前评估的癫痫患者。集合F(从致痫区记录)和集合N(记录大脑对半球的海马形成)都被标记为脑间信号数据，集合S(位于致痫区)被标记为癫痫活动信号。所有脑电图记录采用128通道放大器系统，12位A/D分辨率。由于原始脑电图时间序列较长，每段记录被分为4段。则每段的长度为1024，每组获得400段EEG记录样本