基础2-用卷积神经网络进行颅内和头皮脑电图数据分析的广义癫痫预测

A Generalised Seizure Prediction with Convolutional Neural Networks for Intracranial and Scalp Electroencephalogram Data Analysis

为了改善耐药癫痫和强直性癫痫患者的生活，癫痫预测作为最具挑战性的预测数据分析工作之一已引起越来越多的关注。许多杰出的工作报告了在提供敏感的间接(警告系统)或直接(交互式神经刺激)控制难治性癫痫方面的巨大成果，其中一些取得了很高的性能。然而，许多工作对每个患者进行大量手工特征提取和/或精心定制的特征工程，以实现对特定数据集的极高灵敏度和低错误预测率。如果使用不同的数据集，这限制了他们的方法的优势。在本文中，我们将卷积神经网络(cnn)应用于不同的颅内和头皮脑电图(EEG)数据集，并提出了一种广义的回顾性和患者特异性癫痫预测方法。我们利用短时傅里叶变换(STFT)对30秒脑电图窗口进行频域和时域信息提取。然后对整个频率范围内的STFT组件应用标准化步骤，以防止高频特征受到低频特征的影响。采用卷积神经网络模型进行特征提取和分类，分离发作前段和发作间段。该方法在弗莱堡医院颅内脑电图(iEEG)数据集、波士顿儿童医院-麻省理工学院头皮脑电图(sEEG)数据集和Kaggle美国癫痫学会发作预测挑战数据集上分别实现了81.4%、81.2%、82.3%的灵敏度和0.06、0.16、0.22/h的假预测率(FPR)。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学上也优于非特异性随机预测器。

1 introduction

我们正在寻找一种可以应用于所有具有最小特征工程的患者的方法。众所周知，神经网络具有从原始输入数据中提取特征以执行分类任务的能力。在这项工作中，我们将部署一个卷积神经网络来预测癫痫发作。

本工作的主要贡献是:(1)提出了一种合适的方法将原始脑电图数据预处理成适合卷积神经网络的形式;(2)提出了一种利用最小特征工程帮助卷积神经网络更好地完成癫痫预测任务的指导方针。为了证明我们方法的优势，我们将对来自两个不同数据集的所有患者使用相同的预处理技术和卷积神经网络配置:弗赖堡医院颅内脑电图(iEEG)数据集和波士顿-麻省理工学院儿童医院(CHB-MIT)头皮脑电图(sEEG)数据集。

2 方法

A.数据集

在这项工作中使用了三个数据集:弗赖堡医院数据集[11]，CHB-MIT数据集[20]和Kaggle美国癫痫学会癫痫预测挑战数据集[21]。

Freiburg数据集包括21例难治性癫痫患者的颅内脑电图(iEEG)记录。由于数据集缺乏可用性，我们只能使用来自13名患者的数据。使用256hz的采样率记录这13例患者的iEEG信号。在该数据集中，有来自6个选定接触者的6个录音通道，其中3个来自发病地区，另外3个来自偏远地区。对于每个患者，至少有50分钟的产前数据和24小时的间歇期。关于Freiburg数据集的更多详细信息可以在[6]中找到。

CHB-MIT数据集包含23例儿童头皮脑电图(sEEG)数据，连续记录844小时，163例癫痫发作。采用22个电极以256hz[20]的采样率采集头皮脑电信号。我们将发作间隔期定义为发作前和发作结束后至少4小时。在这个数据集中，有多次癫痫发作发生在彼此附近的情况。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，对于距离上一次发作30分钟以内的癫痫发作，我们将其视为仅一次发作，并将前一次发作的发作作为联合发作的发作。此外，我们只考虑每天发作少于10次的患者进行预测任务，因为对于平均每2小时发作一次的患者来说，执行预测任务并不是很关键。根据上述定义和考虑，有13例患者有足够的数据(至少3次前驱癫痫发作和3个间歇小时)。

Kaggle癫痫发作预测挑战的数据集有5只犬和2名患者的48次癫痫发作和627.7小时间歇记录[21]的iEEG数据。以400hz采样率记录16个植入电极的犬脑电信号。记录的两名患者的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)࿰