007利用癫痫脑电图数据检测癫痫发作和特征频率的深度卷积神经网络方法-2021

A Deep Convolutional Neural Network Method to Detect Seizures and Characteristic Frequencies Using Epileptic Electroencephalogram (EEG) Data

Abstract

背景：脑电(EEG)结合深度学习计算方法诊断癫痫发作近年来备受关注。然而，到目前为止，深度学习技术在癫痫发作检测中的应用还没有得到有效的利用，原因是分类器设计不够优化，以及对时域信号的表示不正确。方法：在这项研究中，我们重点设计和评估了基于深度卷积神经网络的癫痫发作检测分类器。提出了一种信号-图像转换方法，将时域脑电信号转换为时频表示的图像，为输入数据的分类做准备。我们提出并评估了由五个分类器组成的三种分类方法，以确定哪种方法对癫痫发作检测更准确。然后将精确度数据与之前对同一数据集的研究进行比较。结果：我们发现我们提出的模型和信号-图像转换方法在大多数情况下都优于以往的研究。提出的FT-VGG16分类器的平均分类正确率最高，达到99.21%。此外，采用Shapley加性解释(Shap)分析方法来发现EEG中对提高分类精度贡献最大的特征频率。据我们所知，这是第一次计算频率成分对目标癫痫分类的贡献；因此，与正常脑电测量相比，可以识别与癫痫相关的不同的脑电频率成分。

结论：所建立的深卷积神经网络模型可用于从患者脑电数据中检测癫痫发作和特征频率，该模型可用于临床癫痫发作的自动检测。

I. INTRODUCTION

癫痫是一种慢性神经系统疾病，全世界约有5000万人受到影响，每年约有240万人新诊断[1]。脑电(EEG)是一种广泛使用的非侵入性技术，用于测量脑电活动和诊断癫痫。脑电数据的分析和解释通常是由神经科医生通过人工视觉检查进行的。然而，目视检查脑电痕迹是耗时的，给治疗医生带来了沉重的负担。这些问题促使人们在应用自动癫痫检测技术方面做出了重大努力，以帮助神经科医生加快诊断过程，从而提高准确性。此外，研究癫痫发作数据中的频率特征对于我们从根本上理解癫痫发作的脑电轨迹具有重要意义。

许多研究报道了机器学习在癫痫发作自动检测中的应用。例如，几种浅层机器学习技术，包括神经系统和支持向量机(SVM)方法已被用于癫痫分类[2]；然而，仍然需要开发改进的算法来实现更高的分类精度，以便为临床应用开发自动化的人工智能系统和工具。

将机器学习的应用，特别是新兴的深度学习领域，扩展到自动癫痫检测中的脑电图信号分类，有相当大的需求。深度学习在疾病诊断中的应用总体上正在增长，已经发表了一些研究，但性能有限[3]-[5]。近年来，利用机器和深度学习技术对癫痫性和非癫痫性脑电图信号[6]-[14]进行了具体分类问题的研究。然而，基于深度学习的疾病自动分类方法仍有很大的改进空间。

最近的一项癫痫检测研究使用13层深度1D CNN和波恩大学的数据库，达到了88.67%的分类准确率[9]。基于CNN的模型还使用Freiburg和CHB-MIT数据库用于癫痫发作检测，分别获得了96.7%和97.5%的高精度结果[15]。

在另一项研究中，使用波恩大学数据库提出了一个用于二元(癫痫发作与非癫痫发作)分类的金字塔一维CNN模型[7]。利用TUH数据库的深度CNN模型，获得了30.83%的敏感性和96.86%的特异性[16]。除了基于CNN的模型，许多研究使用基于熵的脑电图特征进行癫痫检测[17]-[19]。支持向量机和多层感知器也用于癫痫发作的检测[17]，[20]。

为了提高结果，一些研究使用基于cnn的脑电信号分类器的频谱图像。

Bi和Wang[21]使用时域信号的光谱图像作为CNN模型的输入，用于疾病诊断。一项研究[22]使用基于傅立叶时频表示的STFT进行基于深度学习的癫痫分类，VGG16获得了79.71%的准确率。Raghu等人[14]利用天普大学医院数据库脑电图记录，提出了深度CNNs和脑电图谱图，准确率最高，达到84.06%。利用CNN和剧情脑电图图像输入对癫痫发作和非癫痫发作脑电图活动进行分类，真阳性率为74.0%[23]。基于图像的脑电图谱图表示被用作基于CNN的癫痫检测分类器[24]的输入。

从上述研究可以明显看出，深度学习模型在基于图像的癫痫检测应用中是有用的。然而，据我们所知，目前还没有有效的利用EEG时频图像数据的深度学习模型用于癫痫检测。

除了获得较高的分类精度外，了解对分类贡献最大的输入数据的特征通常也很重要。一种很有前途的技术叫做SHAP (SHapley  Additive exPlanation)[25]，它使用SHapley值通过计算特征的重要性来解释