Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram
ABSTRACT
癫痫发作预测作为改善耐药癫痫和强直性癫痫患者生活的最具挑战性的预测数据分析工作之一,越来越受到关注。许多杰出的研究报告了在提供合理的间接(警告系统)或直接(交互神经刺激)控制难治性癫痫方面的巨大成果,其中一些取得了很高的效果。然而,为了达到高灵敏度和低错误预测率,许多这些研究依赖于手工特征提取和/或定制特征提取,这些特征提取是独立地对每个患者进行的。然而,方法不是可推广的,需要对新数据集中的每个新患者进行重大修改。在本文中,我们将卷积神经网络应用于不同的颅内和头皮脑电(EEG)数据集,并提出了一种通用的回溯性和患者特定的癫痫发作预测方法。我们在30s的脑电窗口上使用短时傅立叶变换来提取频域和时间域的信息。该算法自动为每个患者生成优化的特征,以最好地对发作前和发作间期节段进行分类。该方法可以应用于任何数据集中的任何其他患者,而不需要人工提取特征。该方法在Freiburg医院脑电数据集、波士顿儿童医院-麻省理工学院头皮脑电数据集和美国癫痫学会癫痫预测挑战数据集上的灵敏度分别为81.4%、81.2%和75%,错误预测率分别为0.06/h、0.16/h和0.21/h。对于所有三个数据集中的大多数患者,我们的预测方法在统计上也优于非特定的随机预测。
关键词:癫痫发作预测、卷积神经网络、机器学习、颅内脑电、头皮脑电
2. Proposed Method
2.1. Datasets
这项工作使用了三个数据集:弗莱堡医院数据集(弗莱堡大学,2003)、CHB-MIT数据集(Shoeb,2009)和美国癫痫学会癫痫发作预测挑战(Kaggle)数据集(Brinkmann等人,2016)。表1总结了这三个数据集。Freiburg医院的数据集包括21名顽固性癫痫患者的颅内脑电(IEEG)记录。由于缺乏可用的数据集,我们只能使用13名患者的数据。以256赫兹的采样率记录iEEG信号。在这个数据集中,有六个记录通道,来自六个选定的接触者,其中三个来自致痫区域,其他三个来自偏远地区。对于每个患者,至少有50分钟的发作前数据和24小时的发作间数据。有关弗莱堡医院数据集的更多细节可在Maiwald等人中找到。(2004)。
CHB-MIT数据集包含23名儿科患者的头皮脑电(SEEG)数据,记录了844小时的连续sEEG和163次癫痫发作。SEEG信号是以256赫兹的采样率使用22个电极捕获的(Shoeb,2009)。我们将发作间期定义为发作前至少4h至发作结束后4h之间。在这个数据集中,有5个多次癫痫发作彼此接近的情况。对于癫痫发作预测任务,我们感兴趣的是预测主要的癫痫发作。因此,对于距离前一次发作不到30分钟的发作,我们认为它们只是一次发作,并将领先发作的开始作为合并发作的开始。此外,我们只考虑每天发作少于10次的患者作为预测任务,因为对于平均每2小时发作一次的患者执行这项任务并不是很关键。有了这些定义和考虑,有13名患者有足够的数据(至少有三次领先的癫痫发作和3h的发作间歇期记录)。
美国癫痫学会癫痫发作预测挑战数据集拥有来自5只狗和2名48次癫痫发作患者的iEEG数据,间隔时间为627.7小时(Brinkmann等人,2016年)。以400hz的采样率记录16个植入电极的犬脑电信号(iEEG)。两名患者记录的iEEG数据来自15个深度电极(患者1)和24个硬膜下电极(患者2),采样率为5khz。由组织者提取前置和间隔10分钟的片段。具体来说,对于每一次前导发作,在发作前66分钟到5分钟之间提取6个前导段,间隔10秒。从任何癫痫发作至少1周后随机选择间期节段。