Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection（文章剖析）

Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection（文章剖析）
原文有代码链接：
IEEE Journal of Biomedical and Health Informatics
癫痫是一种慢性神经系统疾病以发生自发性癫痫为特征，这影响了世界上大约百分之一的人口。目前大多数癫痫发作检测方法都很强依赖于患者的历史记录，因此无法在患者独立的情况下检测到新患者。到克服了这种限制，我们提出了一种强大且可解释的癫痫发作检测模型，该模型有效地从癫痫发作状态中学习，同时消除患者间噪音。提出了一种复杂的深度神经网络模型从原始无创脑电图 (EEG) 信号通过对抗训练。

   此外，为了提高可解释性，我们开发了一种注意力机制来自动学习每个脑电图通道的重要性癫痫诊断程序。建议的方法在天普大学医院（Temple University Hospital）脑电图（TUH脑电图）数据库。实验结果表明我们的模型以低延迟优于具有竞争力的最先进的基线。此外，设计的注意力机制被证明能够提供细粒度病理分析信息。我们提出了一种有效且高效的独立于患者的诊断方法基于原始 EEG 信号的癫痫发作，无需人工特征，这是朝着大规模部署实际使用的发展迈出的一步.。
   目前的癫痫检测可以提供整体的检测结果而无法显示特定的活跃大脑区域。针对特定患者，我们尝试设计一种功能强大涉及注意力机制的模型，它不仅可以识别癫痫发作状态，同时发现哪些脑电图通道对诊断决策更为重要。

临床治疗需要更复杂的情况，即测试患者在训练阶段看不到（用于测试的）。考虑到实际年龄、性别、特征和健康状况等个人因素，很难进行准确的癫痫发作诊断。总之，提出一种稳健的方法来处理患者独立的挑战是必要的。

一.存在问题挑战

1.目前存在的算法以来于独立患者的场景，依赖于莫一个患者的数据可以获得较高的准确性，因为训练和测试样本来自相同的来源，有相似的分布。作者提出了一种可以学习患者间的共同特征，减轻患者间因素的重要性。
2.癫痫脑电信号的低信噪比和患者主观（疲劳情绪）或环境因素（噪声）的关系。癫痫检测对原始脑电图信号进行特征处理，耗时巨大而且高度依赖专业知识。
3.另一个当前癫痫诊断的方法还有一个要求可解释性，例如，癫痫发作可能发生在特定的大脑区域（如颞叶），称之为局灶性癫痫发作，或几个大脑区域（如额叶，颞叶和枕叶），称为广泛性癫痫。往往癫痫发作可以提供整体的检测结果，而不能显示特定的活动区域。作者对于一个特定的患者，试图设计了一个强大的模型，不经可以识别癫痫发作状态，还可以发现那些脑电图通道对诊断决策更重要了。
研究动机：
这项工作的关键目标是开发一种自动表征学习算法，它依赖于神经系统状态（如癫痫发作或正常），而独立于个人状态（如年龄和性别）。
简而言之，这项工作的直观思想是将输入的原始脑电图信号(E表示)分为两部分：癫痫相关成分S表示，包含癫痫状态的信息描述，对患者身份不敏感；患者相关的成分P表示，包含患者身份信息，对癫痫发作状态不敏感。在此过程中应满足以下两个约束条件。首先，癫痫发作相关成分S和患者相关成分P的总和应等于原始脑电图信号e。其次，分解后的S和P应分别包含纯性和信息性的癫痫发作和患者特征。

方法分为三部分：EEG分解，癫痫发作的诊断，和病人的检测

其中S和P代表分解的癫痫发作和患者相关成分，与输入的脑电图信号E具有相同的形状。
表示卷积运算，ws、bs、wp、bp表示对应的权值和偏差。在每个卷积层中，激活函数为ReLU，填充方法为“SAME”
表示潜在癫痫发作和患者，其中J和K分别表示学习表示的行和列，H表示卷积滤波器的个数。
为了确保表征包含足够的鉴别信息，我们尝试通过反卷积操作来重构脑电图信号：

整体算法
通过结合两个分解后的信号，可以计算出重构信号E∈RM×N
输入：原始EEG信号
输出：性别标签，和癫痫状态标签
首先，
使用两个不同卷积层分解两个不同的特征空间，一个是癫痫状态，一个是性别特征，
反卷积层还原到一个特征层上，合并为新的癫痫信号，使用mse，参与训练。

注意力部分网络将癫痫诊断特征，卷积降维到导联的22个特征层上，并且引入注意力
在原始信号的权重，之后标签做损失。
性别检测部分原始信号特征层训练性别标签。

结束约束：网络的三个损失最小，特征编码解码网络，注意力网络，和性别网络三者的损失最小。
l2代表正则化系数，防止过拟合。

训练过程中，先优化L整体，在优化Ls这部分网络。

数据处理
14个受试者，原始数据集22导联250s的正常状态和250s的发作状态，250hz采样频率。
滑动窗口为1s.滑窗50%进行数据扩充。标签按照0和1进行数据标定。使用留一法14折交叉验证。
如1-13号受试者用于训练的话，第14号受试者用于测试。
结果对比


可解释性分析
、
作者提出的方法能够捕捉到在癫痫诊断中每个大脑区域的重要性。作者提出的方法能够自动的对不同通道赋予注意力。认为学习到的注意力权重能够被认为不同通道的重要性。
图4(a)为包括额叶、颞叶、顶叶和枕叶在内的脑叶5，图4(b)至图4(d)为三个不同受试者学习通道注意的地形。红色表示权重较高，蓝色表示权重较低。从注意地形图可以看出，左颞叶(在T5通道附近)在所有受试者中权重最高，说明颞叶与癫痫发作有密切关系。这一结论与一些生物学推断一致，即成人癫痫中特别重要的区域是颞叶[28]内侧。这个区域由控制情绪的海马体和杏仁核以及负责处理气味的内脏等结构组成。第二，靠近左耳垂的大脑区域(大约A1通道)和左侧枕叶(靠近O1)似乎有相当低的权重。