CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi 10.1155 / 2020/8923906 8923906 研究文章 中度创伤性脑损伤的检测静息状态闭眼脑电图 赖 气秦 1 https://orcid.org/0000 - 0002 - 6401 - 1791 易卜拉欣 海迪 1 Abd。哈米德 艾尼Ismafairus 2 https://orcid.org/0000 - 0002 - 5747 - 9812 阿卜杜拉 穆罕默德扎 1 Azman Azlinda 3 https://orcid.org/0000 - 0002 - 0258 - 7410 阿卜杜拉 Jafri马林 2 4 Sanei Saeid 1 电气和电子工程学院 工程学校 马来西亚理科大学 14300年 Nibong Tebal 槟城 马来西亚 usm.my 2 神经科学部门 医学科学学院 马来西亚理科大学 16150年Kubang Kerian 哥打Bharu 吉兰丹 马来西亚 usm.my 3 社会科学学院 马来西亚理科大学 11800年乌敏岛槟榔 马来西亚 usm.my 4 大脑和行为集群 医学科学学院 马来西亚理科大学 16150年Kubang Kerian 哥打Bharu 吉兰丹 马来西亚 usm.my 2020年 11 3 2020年 2020年 18 10 2019年 04 02 2020年 13 02 2020年 11 3 2020年 2020年 版权©2020气秦赖et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

创伤性脑损伤(TBI)是一种伤害,会带来严重的后果,如果医疗已经推迟。通常,分析计算机断层扫描(CT)或磁共振成像(MRI)需要确定适度的创伤性脑损伤病人的严重程度。然而,由于这些天越来越多的创伤性脑损伤患者,采用CT扫描或MRI扫描每一个潜在的病人不仅昂贵,而且耗时。因此,在本文中,我们调查的可能性使用脑电图(EEG)与计算智能作为一种替代方法来检测病人中度创伤性脑损伤的严重程度。脑电图过程比CT或MRI便宜多了。尽管脑电图没有很高的空间分辨率与CT和MRI相比,它具有较高的时间分辨率。从脑电图中度创伤性脑损伤的分析和预测使用常规计算智能方法是乏味的,因为他们通常涉及复杂的预处理、特征提取、特征选择的信号。因此,我们提出一个方法,使用卷积神经网络(CNN)自动分类健康受试者和中度创伤性脑损伤的患者。这个计算智能系统的输入是静止状态闭眼脑电图,没有进行预处理和特征选择。脑电图数据集使用包括15名健康志愿者和15中度创伤性脑损伤的病人,在医院获得马来西亚理科大学,吉兰丹州,马来西亚。 The performance of the proposed method has been compared with four other existing methods. With the average classification accuracy of 72.46%, the proposed method outperforms the other four methods. This result indicates that the proposed method has the potential to be used as a preliminary screening for moderate TBI, for selection of the patients for further diagnosis and treatment planning.

 高等教育、马来西亚 203 \ PELECT \ 6768002 1。介绍

创伤性脑损伤是创伤的大脑造成冲击或震动头从钝挫伤或穿透性对象。道路交通事故引起的创伤可以下降,或在体育活动。在紧急情况下,著名的黄金时刻,原则,治疗应在交付前60分钟的心脏创伤病人,可能会影响病人的医疗结果( 1]。延迟治疗会引起后遗症,比如颅内压增加,水肿和脑dysautoregulation [ 2, 3]。因此,直接检测对后续治疗计划是至关重要的。

严重创伤性脑损伤(TBI)可以使用几个分类分级的分数。的一个常见的分数是格拉斯哥昏迷评分(GCS) [ 4]。GCS将创伤性脑损伤分为轻微、中等和严重的根据他们的眼睛开口回应,言语反应和运动反应。相对应的GCS评分创伤性脑损伤的严重程度如表所示 1。轻度,中度,严重创伤性脑损伤患者的得分14日至15日,第四,分别为3 - 8。然而,中度创伤性脑损伤往往很难被探测到。中度创伤性脑损伤的患者在损伤严重程度有很大的可变性和急性期课程 5]。在急性期,内部和intercranial损伤可能引起二次脑损伤,会导致死亡 6- - - - - - 8]。因此,适度的创伤性脑损伤的检测应在最短的时间内完成。

基于GCS评分的创伤性脑损伤的严重程度。

GCS评分 创伤性脑损伤严重程度
14日至15日 温和的
卖地 温和的
< 9 严重的

中度创伤性脑损伤的检测、临床成像是有用的。金标准检测中度创伤性脑损伤是通过使用计算机断层扫描(CT)或磁共振成像(MRI)。然而,采用CT或MRI扫描每一个病人是昂贵和费时。有限的资源在医院也会导致延误执行CT扫描和核磁共振扫描的病人带来了温和的创伤性脑损伤的风险。此外,对中度创伤性脑损伤患者进行扫描,在经济复苏阶段会扰乱睡眠-觉醒节律,导致推迟经济复苏( 9, 10]。此外,重复扫描的重新评价创伤性脑损伤引起担忧的后果从CT扫描的辐射 11]。

作为一个潜在的替代治疗中度创伤性脑损伤的早期检测进一步计划,脑电图(EEG)是一种强大的工具( 12]。研究表明,生物标志物可以表明创伤性脑损伤可以通过分析找到qEEG频带的信号被称为α,β,θ,和伽玛乐队。分析对EEG信号,发现有减少意味着α频率和θ的增量乐队乐队活动比健康的人 13- - - - - - 16]。这些发现建议作为创伤性脑损伤的生物标志物。

有许多工作在创伤性脑损伤的检测基于脑电图,因为它具有很高的时间分辨率,能够直接测量大脑活动 17]。在费雪的工作等。 18),脑电图的植入皮质躯体感觉诱发脑电图仪的潜力(SSEPs)是用于探测和跟踪,实时、神经电生理异常后头部受伤的动物模型。发现信号的振幅改善随着时间的推移,但显著降低后一个小时的监控。他们的分析发现显著变化在低频组件和脑电图熵增加30分钟后受伤。从他们的实验结果,建议皮质SSEPs可能被用于快速检测和监控创伤性脑损伤。另一方面,麦克布莱德et al。 19)研究了视觉诱发电位脑电图在创伤性脑损伤的患者。在这项研究中,创伤性脑损伤的患者脑电图记录期间执行记忆任务所需。与事件相关的提取Tsallis熵作为特征来训练支持向量机(SVM)来区分正常和创伤性脑损伤的人。他们的研究结果表明潜在的脑电图作为一个有效的创伤性脑损伤的早期检测方法。一个像样的审查也由Rapp et al。 20.脑电图检测创伤性脑损伤)的应用。从文学,可以看出,常常暴露在外部刺激患者脑电图记录(中 21, 22]。暴露病人刺激的目的是为了便于诊断的功能和反应的人类大脑向外部刺激( 23]。

然而,脑电图的记录使用兴奋剂有其局限性。任务相关范例依靠更高能力的认知功能,如注意力或语言理解( 24]。病人患有中度创伤性脑损伤可能在急性期课程昏迷状态,他们可能无法执行任务或响应给定的兴奋剂。此外,要求病人执行特定任务,并将它们暴露兴奋剂会干扰他们的睡眠节奏和影响他们的恢复过程 9, 10]。因此,静息状态的脑电图是一个更好的选择。是记录在病人闭上眼睛休息,提供一个利用没有打扰病人的睡眠周期。

我们回顾了四个类似的计算智能方法,用于分类严重或轻度创伤性脑损伤健康的样本,分别。工作的窝边缘等。 24),使用朴素贝叶斯分类器分类严重创伤性脑损伤病人和健康控制。基于特征的分类器训练每个电极的β频带的平均功率和脑电图连通性的三角洲,θ,和伽玛乐队从休眠状态中提取脑电图。他们的方法首先预处理信号采用陷波滤波器消除线路噪声,其次是100 Hz的低通滤波器。接下来,与0.5 Hz高通滤波器截止。工件信号中手动删除。每个主题的产生的信号分为两段。随后,合成的三个特征提取部分。三个乐队的连通性是通过计算对数转换之间的相关性使正交化振幅信封的三角洲,θ,和伽玛乐队( 24]。他们的方法是能够呈现较高的分类精度。尽管如此,他们的工作方法主要依赖于提取特征。因此,广泛探索必须做选择区别的特性,以确保一个有效的分类器的学习。

麦克纳尼et al。 25)利用静息状态的脑电图和自适应增强(演)轻度创伤性脑损伤的分类。首先,一个带通滤波器的截止频率0.1赫兹到100赫兹。随后,工件和手动标记且远离信号峰值。他们的方法的特征提取功率谱密度(PSD)的三角洲,θ,阿尔法和伽马乐队。计算PSD信号通道AF7 FpZ和AF8 FpZ。的以10为底的对数平均每个频带PSD作为功能训练演算法分类器。演算法是一个功能强大的分类器,创建一个高度精确的分类器通过结合几个弱和不准确的分类器,分类模型的创建一个级联。它携带等优点被简单,需要调整的参数少达到较高的分类效果尽管敏感噪声数据和异常值。因此,预处理成为不可避免的阶段在迈克纳尼等人的作品。 25]删除外部噪音。

在曹等人的作品。 26),一个自动分类的运动员脑震荡因为它使得基于脑电图提出了通过使用一个支持向量机(SVM)。他们的方法是能够发现轻度创伤性脑损伤的运动员和确定他们是否适合return-to-play (RTP)。静息状态的脑电图已记录的对象在三种不同的条件下,这个话题在哪里坐着,站在公司表面,和站在泡沫表面。工件从脑电图记录手动取出,用目视检查。一分钟的artifact-free脑电图然后带通滤波与零相移0.5到30 Hz。执行一个快速傅里叶变换(FFT)的合成信号和信号分为θ,α,beta1 beta2, beta3。力量为每个频带的平均计算。除了功能设置,平均功率为个人1 Hz频率1 - 30 Hz的电极被计算。为了减少巨大的特征尺寸,功能减少了使用启发式最大相关最小冗余(MRMR)框架。排名基于互信息的特性。 Top 10 features were selected and directed to an SVM for classification of the healthy subject and mild TBI patient.

以前,我们还提出了一个方法来分类中度创伤性脑损伤病人和健康受试者使用静息状态闭眼脑电图( 27]。类似于曹等人的作品。 26),我们的方法也使用支持向量机作为我们的计算智能方法。然而,我们的特性是美联储支持向量机功率值,提取α乐队。

脑电图记录通常是不必要的元素,如噪音污染和工件。预处理去除所有不必要的元素是至关重要的在一个信号 28]。然而,耗费时间来定位和去除杂质的信号。最终,特征选择和预处理EEG都是复杂和耗时。此外,分析静息状态的脑电图可以更具挑战性,因为它含有更少的信息与脑电图与外部兴奋剂。最好的机器来查找和学习数据本身,特别是静息状态的脑电图的实现。

为了克服复杂设计的预处理,特征提取,特征选择,CNN是一种常见的计算智能方法用于发展需要分类 29日]。CNN是一种机器学习方法的启发从生物系统( 30.],它最初提出了图像分类任务( 31日]。由于其巨大的潜力在小细节的分析提出的像素在图像,CNN也适用于脑电图分析( 32- - - - - - 34]。这是因为数据点的脑电图可以排列成矩阵形式,它类似于像素的矩阵 35]。

CNN的拓扑是由多层感知(MLP),结合输入层、隐藏层和输出层。隐藏层包括卷积层密度和传统的反向传播神经网络层。卷积核的卷积层是由携带可学的参数需要多个迭代学习和验证来确定最优值的经验( 36]。卷积层扮演提取重要特征从输入矩阵通过加权可学的内核 37]。每向前映射输入矩阵的计算功能。卷积层学会激活特征图在检测到感兴趣的模式输入。激活功能将downsampled地图使用池层和美联储进一步前进到下一层。完全连接层(也称为致密层)是使用功能训练的地图。可学的学习过程的参数意味着反向传播( 31日和梯度下降 38]。

本文的目的是提出一个闭眼,因为它使得基于脑电图静息状态使用CNN中度创伤性脑损伤的检测方法。该方法可以避免人为错误,并可能成为早期筛查工具在急诊创伤性脑损伤。CNN的参数选择经验的最佳体系结构的优化。参数是学习速率和小批量大小。我们的方法进一步相比现有技术发展水平的方法和我们的以前的工作 27]。

 2。方法 2.1。主题

在这项研究中使用的数据集收集在医院马来西亚理科大学,马来西亚吉兰丹,。伦理批准已经从马来西亚理科大学,获得参考号码子结构/ JEPeM / 1511045。总共30静息状态闭上眼睛脑电图记录收集来自30个主题,分为15中度创伤性脑损伤病人和15名健康志愿者。创伤性脑损伤的数据是由15个病人。健康数据收集来自15个健康的人。中度创伤性脑损伤的研究对象的年龄在18岁到65岁之间。他们持续非手术中度创伤性脑损伤根据GSC,对应9和13之间的分数,他们遭受的初始冲击涉及左侧frontal-temporal-parietal叶CT扫描诊断的大脑。每个科目需要闭上他们的眼睛在静息状态的脑电图记录获得数据。

 2.2。记录系统和电极位置

EEG信号是连续记录通过使用64个电极安装在64频道WaveGuard脑电图帽。通道的位置是基于国际演出脑电图电极系统,如图所示 1。头皮的电活动将被记录在64网站。然而, C P z 通道记录排除在这项研究中,只留下63有用的渠道,因为 C P z 通道是用作electrooculography(小城镇)通道在这项研究。地面电极位于前10% Fz,耳垂作为参考和电极阻抗低于5 kOhm。脑电图信号记录使用可编程直流耦合宽带SynAmps放大器。EEG信号放大(2500年获得,精度0.033 /位)与一组记录范围 ± 55 mV在直流70赫兹频率范围。EEG信号数字化,使用16位数模转换器1000 Hz。

安排的脑电图渠道WaveGuard脑电图帽。

 2.3。数据准备

第一个60秒的录音被丢弃,因为他们通常受到工件因为主题通常不够冷静在早期阶段的记录。段包含移除基于工件检查。下一个60秒的录音然后分为60段的每一秒。一项研究显示,60秒的录音是充分获取可靠的诊断结果( 39]。此外,更多的存在区别的脑电图特点接近记录的开始( 40]。

CNN的输入,脑电图的形式安排矩阵通道的幅值和时间。的安排的渠道是指默认安排64 -通道WaveGuard脑电图帽。因为在1秒,每一部分的矩阵大小脑电图 N × F 年代 ,在那里 N的渠道和数量吗 F 年代 采样频率。在这个研究中,矩阵的大小是63×1000,因为1000 Hz的采样率是使用和渠道的数量是63。因此,每个数据包含60矩阵。矩阵中的组件存储从脑电图数据点使用公式: (1) 米 我 , t = x 我 t , 在哪里 我通道的采样点(例如, 我 = 1、2 , … , N ), t采样点的索引(例如, t = 1、2 , … , F 年代 ), x 我 t 采样点的振幅通道吗 我在时间 t。

 2.4。卷积神经网络拓扑结构

本研究中使用的CNN拓扑表所示 2和图 2。在这项研究中使用的CNN拓扑是由六个卷积层,两个池层,和一个完全连接层。每个卷积层由六个 5 × 5 过滤器。选择较小的滤波器尺寸为了获取更好的方向和信息的信号。六个过滤器是用于一个卷积层创建一个功能组成的地图从输入更多的变异特性。CNN架构是由九层。

CNN和内核层的大小。

指数 层 内核大小 数量的过滤器
1 褶积层 5×5 6
2 褶积层 5×5 6
3 褶积层 5×5 6
4 褶积层 5×5 6
5 褶积层 5×5 6
6 平均池层 2×2 - - - - - -
7 褶积层 5×5 6
8 平均池层 2×2 - - - - - -
9 完全连接层 - - - - - - - - - - - -

CNN拓扑。

CNN是一个63×1000的输入矩阵。卷积的过滤器尺寸层在这项研究中的应用是固定5×5。输入的大小 h × w 将生成一个特征的地图尺寸 h ′ × w ′ × l ′ 通过卷积层,它可以使用计算 (2) h ′ = h − f + 年代 年代 , (3) w ′ = w − f + 年代 年代 , 在哪里 f过滤器的大小, l ′ 是卷积的过滤层,然后呢 年代步幅。在这项研究中, f设置为5, l ′ 是设置为6, 年代设置为一个卷积层。

第一次卷积后层,59 996××6的功能映射。卷积特性映射下指向第二个层,输出特性图和尺寸55×992×6。通过卷积的第三层,功能图51×988×6生成。卷积经历第四层,47 984××6功能映射。随后,第五层输出卷积43 980××6功能映射。

接下来,功能映射将经过平均池层。输入特征的地图大小 h × w × l 将产生一个输出特性的地图尺寸 h ′ × w ′ × l ′ 使用( 2)- ( 4)。 f设置为两个, l ′ 是设置为6, 年代所有平均池设置为两层。平均池层生成一个21 490××6功能映射。由此产生的特征映射将被传递到最后卷积层,产生一个17×486×6功能映射。平均特征地图然后传递给汇聚层,生成一个8×243×6功能映射。输出然后被夷为平地,传递到完全连接层。用于完全连接层的激活函数是Softmax。处理输入的整个CNN可以可视化图 2。在这项研究中,使用的CNN拓扑批规范化和修正线性单元(ReLU)每次使用卷积层。

在这项研究中有七个参数选择最佳的CNN拓扑。表 3显示了这些参数。0.0001选择的学习速率和在CNN训练保持不变。 l 2 标准化是用于执行批处理规范化卷积后每一层。每次迭代的迷你批大小设置为128。作为680年的时代由训练数据,需要六个迭代完成一个时代通过CNN。训练迭代每个时代与30是固定的。在这个设计,防止过度拟合 l 2 正规化是使用0.0005的正规化派系。优化器使用反向传播的CNN训练是随机梯度下降法(SGD) 0.9势头。

参数和值。

参数 设置
学习速率 0.0001
批正常化 l 2 归一化
l 2 正则化 0.0005
小批量大小 128年
优化器 随机梯度下降法
培训重复每个时代 30.
动力 0.9
2.5。培训过程

在这项研究中,性能指标,用于评价培训CNN使用分类精度测量的百分比,这是测试准确性和验证准确性。测试和验证精度得到了使用三倍交叉验证。数据集的划分为四倍交叉验证表所示 4。在这个表中, k是褶皱的数量,每个科目的贴上或测试数据集在每个培训 k倍验证。

三倍交叉验证的数据部分。

k= 1 k= 2 k= 3
患者1 培训 测试 培训
病人2 培训 测试 培训
患者3 培训 测试 培训
患者4 培训 测试 培训
患者5 培训 测试 培训
病人6 培训 培训 测试
病人7 培训 培训 测试
病人8 培训 培训 测试
患者9 培训 培训 测试
病人10 培训 培训 测试
病人11 测试 培训 培训
病人12 测试 培训 培训
患者13 测试 培训 培训
病人14 测试 培训 培训
患者15 测试 培训 培训
健康1 培训 测试 培训
健康的2 培训 测试 培训
健康的3 培训 测试 培训
健康的4 培训 测试 培训
健康的5 培训 测试 培训
健康的6 培训 培训 测试
健康的7 培训 培训 测试
健康的8 培训 培训 测试
健康的9 培训 培训 测试
健康的10 培训 培训 测试
健康的11 测试 培训 培训
健康的12 测试 培训 培训
健康的13 测试 培训 培训
健康的14 测试 培训 培训
健康的15 测试 培训 培训

测试精度是通过使用下列公式计算: (4) 精度 = TP + TN TP + TN + 《外交政策》 + FN , 在哪里 TP 是中度创伤性脑损伤的输入正确预测中度创伤性脑损伤, TN 是健康的控制输入,预测正确健康的主题, FN 是预计的创伤性脑损伤的输入错误的健康主题,然后呢 《外交政策》 预测错误的健康控制输入为中度创伤性脑损伤病人。测试精度获得使用测试集,验证精度获得使用训练集本身。

在生物信息学中的应用,小数据集往往成为一个问题,由于不可预见的限制,如有限的病人。小数据集可能导致评价分类器的乐观的偏见,不准确的估计性能。数据增加可以增加数据集的数量,这是常见的图像分类。然而,增加温和的创伤性脑损伤病人的脑电图可以增加可以添加随机噪声的分类误差增大的过程。克服小数据集问题的评估建议的体系结构,引导方法在本研究 41]。引导方法是重采样方法,生成引导样本集。生成的引导理念引导样本集可以解释在三个步骤。首先,选择一个随机样本的原始数据集。接下来,随机样本将被添加到新的数据集,并返回到原始数据集。两个步骤重复,直到引导样本集到达固定数量的样本。计算智能方法,引导样本集生成将数据的原始数据集的数量( 42]。因此,一些样品将代表重复,而有些人不会选择( 42]。引导是一个有用的方法预测的结果使用引导机器学习模型训练样本集通常呈现高斯分布。此外,95%可信区间(CI)可以从预测结果计算估计的准确性和稳定的机器学习模型。

在这项研究中,100次迭代测试建议的体系结构的重新取样引导样本集。它是由埃夫隆迭代在50到200的范围( 41]。三倍交叉验证执行在每个引导样本和交叉验证的准确性被记录为每个生成的引导样本集。95%可信区间(CI),意味着交叉验证的准确性(ACC)和标准差(SD)记录交叉验证的计算精度。

 3所示。结果

选择最佳的学习速率和小批量大小CNN,训练的实验进行验证的性能不同的参数。参数是学习速率和小批量大小。训练有素的CNN与朴素贝叶斯模型进行比较( 24),演算法分类器( 25),支持向量机(MRMR) [ 26),而支持向量机(权力) 27]。

3.1。选择最佳的学习速率

学习速率是一个重要的参数,它决定了更新步骤反向传播学习( 43]。它控制的调整可学的重量损失梯度。学习速率太大时,梯度下降可以不计后果地增加而不是减少训练误差。另一方面,采用学习速率太小会导致缓慢的培训和训练误差可能造成不变的高。因此,确定最优学习速率是至关重要的,因为它会影响损失的最小值点的搜索在反向传播学习。

目前的研究表明,一个好的学习速率可以通过启动低估计学习速率和增加它在每一次迭代 44]。实验是由不同学习速率使用CNN拓扑有六个卷积32层和小批量大小。研究了五个学习速率值。学习使用利率是0.1,0.01,0.001,0.0001,和0.00001,分别。CNN使用不同的学习速率的培训时间记录,如图 3。这个图表表明,需要较长的训练时间较小的学习速率。此外,从实验中,三倍交叉验证的方法的准确性,SD, 95%可信区间如表所示 5。从这个表中,结果表明,0.0001的学习速率提供了最佳性能,在准确性和SD的意思。

培训时间由不同的学习速率。

SD, CI的交叉验证的准确性(ACC)不同的学习速率。

学习速率 意思是ACC SD 95%可信区间
0.1 50.12 0.27 (49.93 - 50.31)
0.01 51.85 1.20 (50.99 - 52.71)
0.001 52.02 2.83 (50.00 - 54.04)
0.0001 56.57 9.07 (50.08 - 53.06)
0.00001 52.68 2.48 (50.90 - 54.45)
3.2。确定最优小批量大小

在CNN的学习,训练集分成小批量的数量,每个包含少量的训练样本。迷你批大小的参数,必须确定为CNN拓扑优化经验。更大的迷你批会导致更快的CNN培训。然而,大量小批量使用高计算能力。此外,研究表明,使用一个小批量大小太大可能会导致显著的退化在CNN模型训练的质量 45]。因此,最佳迷你批大小必须决心确保更好的收敛速度和更好的稳定性CNN培训( 43]。

在这个实验中,小批量大小32被用作起点根据一些研究建议( 36, 46]。小批量大小32,64年和128年进行评估选择最优小批量大小使用卷积六层CNN拓扑和学习速率为0.0001。表 6分别显示了他们的测试精度。从这个表中,结果表明,128年的小批量大小提供了最佳性能。

SD, CI交叉验证的准确性(ACC)为不同的小批量大小。

小批量大小 意思是ACC SD 95%可信区间
32 56.57 9.07 (50.08 - 53.06)
64年 55.04 7.13 (52.87 - 57.21)
128年 72.46 1.90 (67.73 - 77.19)
3.3。比较该方法与现有的作品

该方法相比,四个现有的方法是类似的,没有现有的工作,把从健康组中度创伤性脑损伤。第一个方法的比较是所做的功窝边缘et al。 24使用任务状态脑电图和朴素贝叶斯分类器对创伤性脑损伤的分类。麦克纳尼提出的第二种方法是比较et al。 25使用演算法分类器)。第三种方法相比是所做的功曹et al。 26使用支持向量机)。第四个方法是我们以前的工作相比,因为它使得基于脑电图提出了一个支持向量机分类器使用α和频带能量为中度创伤性脑损伤的检测( 27]。对于一个公平的比较,使用相同的数据集和训练过程。意思是,SD, CI的交叉验证的准确性(ACC)不同的方法使用相同的数据集如表所示 7。

意思是,SD, CI交叉验证的准确性(ACC)的不同的方法。

方法 意思是ACC SD 95%可信区间
朴素贝叶斯( 24] 59.05 0.05 (58.95 - 59.15)
演算法( 25] 54.00 0.72 (52.58 - 55.42)
支持向量机(MRMR) [ 26] 49.64 5.09 (48.63 - 50.65)
支持向量机(权力) 27] 51.17 0.73 (49.72 - 52.62)
该方法 72.46 1.90 (67.73 - 77.19)
4所示。讨论

从表 5,结果表明,学习速率的0.0001礼物精度最高,这是56.57%。在这个学习速率,一步是最优搜索的最佳权重CNN,相比其他学习速率值。通过使用一个更大的学习速率,一步可能over-shoot和错过当地的最小。与此同时,使用较低的学习速率会导致更长的学习时间CNN。在图 3可以看出,当学习速度训练时间的增加而增加。

选择合适的迷你批量大小,如表所示 6小批量大小为128给最高的测试精度。小批量大小32了最低精度(56.57%)收敛于极小的,给予较低的测试精度。迷你128批大小可以有效地推广数据和收敛到最小,让训练有素的CNN模型更高的测试精度 72.46 % 。

其他现有方法相比,该方法达到72.46%的精度高,相比突出的工作坑边缘et al。 24),迈克纳尼等人。 25),曹et al。 26),和我们之前的工作 27]。通过使用相同的数据集,这些方法实现均值交叉验证精度为59.05%,54.00%,51.17%,和49.64%,分别如表所示 7。

在确定特征的提取频带可以提供重要的信息在训练分类器,窝边缘et al。 24)和迈克纳尼等人。 25)进行特征抽取,依靠频段。另一方面,为该方法在这篇文章中,没有接受任何特征提取原始信号。脑电图是排列成矩阵形式和美联储CNN输入拓扑。卷积层进行特征提取,获得不同的特性从输入。卷积层由可学的内核瞄准从输入提取局部特征。在卷积的特征提取层开始通过提取低水平更高层次特征的提取特性和随后的进展。

平均交叉验证精度相比,该方法优于其他四个方法。朴素贝叶斯假设,每个特性是相互独立的,这消除了脑电图渠道之间的依赖关系。它导致通道之间的相关性被忽略,导致信息丢失的过程中分类器训练。因此,该方法利用CNN可以克服朴素贝叶斯的缺点。演算法分类器是一种机器学习方法需要调整的参数少,易于使用。然而,它对噪声和野值很敏感,这是不可避免的在脑电图记录。因此,需要更多的努力,以确保噪音和工件必须完全删除,以确保一个有效的分类器训练。该方法利用CNN不需要过滤丢弃噪声的信号。卷积的可学的内核层能有效地提取重要特征,同时拒绝噪音的信号。

在工作由曹et al。 26],MRMR特征选择框架是用来减少大型特性集的大小。然而,它显示了检测精度较低时使用数据集。原创作品的曹et al。 26),脑电图数据集使用需要在三个不同主题脑电图记录时的姿势。在我们的示例中,脑电图记录当受试者是放松和坐着。因此,特征提取使用他们的方法没有提供足够的信息来支持向量机。multiposture脑电图所使用的工作提供更多的变化信息分类器。另一方面,它导致一个大数据集,在特征选择。特征选择的过程中,信息损失可能发生并导致减少检测的准确性。在我们的方法中,特征提取和选择是自动化的内核,内核的可学的参数在哪里更新使用反向传播。自动化的过程比他们的方法更有效。特征提取的效率使用CNN可以避免乏味的特征选择和还原过程,以及人类的偏见。

与我们的以前的工作相比 27从脑电图),α和频带能量提取特征来训练支持向量机。然而,它显示一个较低的比我们的方法分类。α和频带能量可以包括为中度创伤性脑损伤的特性分类,但单独使用α和频带能量是不够的。提供足够的信息来训练支持向量机,其他特征提取,如相关系数,相位差,等等。

 5。结论

从这项研究中,结果表明:卷积的层数,学习速率和小批量大小是重要的参数需要根据经验设计的一个健壮的CNN。为不同的应用程序参数的值可能会有所不同。在应用卷积CNN的六层,发现0.0001的学习速率和一批迷你大小为128给中度创伤性脑损伤的最佳分类精度分类的目的。该方法进一步与四个现有的创伤性脑损伤的分类方法。结果表明,该方法优于其他交叉验证的准确性以及易于执行。这项研究表明,美国有线电视新闻网是一个潜在的替代为脑电图机器学习应用程序所需的复杂过程信号的预处理和特征提取。进一步改善本研究可能会引入一个立即中度创伤性脑损伤患者急诊的诊断工具,可以用作第二个医生的意见。

 数据可用性

静息状态的闭眼脑电图(EEG)数据用于支持本研究的发现是人类研究伦理委员会的限制马来西亚理科大学()为了保护病人的隐私。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项研究支持的高等教育(邻蒙古),马来西亚,通过跨学科研究资助计划(采用)授予203号\ PELECT \ 6768002。

 飞边 R。 二十年的进步在理解的轻度创伤性脑损伤 头部外伤康复杂志》上 2005年 20. 1 5 18 10.1097 / 00001199-200501000-00003 2 - s2.0 - 13844273229 贝克尔 d . P。 米勒 j . D。 病房 j . D。 格林伯格 r P。 年轻的 h·F。 这项法律 R。 结果重型颅脑损伤的早期诊断和强化管理 神经外科杂志》 1977年 47 4 491年 502年 10.3171 / jns.1977.47.4.0491 2 - s2.0 - 0017705154 戈德堡 美国一个。 Rojanasarntikul D。 Jagoda 一个。 葛夫曼 J。 萨拉查 a . M。 章二十三日送往医院之前的创伤性脑损伤的管理 创伤性脑损伤,第一部分,临床神经病学手册 2015年 127年 荷兰阿姆斯特丹 爱思唯尔 367年 378年 10.1016 / b978 - 0 - 444 - 52892 - 6.00023 - 4所示 2 - s2.0 - 84924943437 Udekwu P。 Kromhout-Schiro 年代。 Vaslef 年代。 贝克 C。 轮胎式压路机 D。 格拉斯哥昏迷评分分数,对脑外伤患者的死亡率,和功能的结果 杂志上的创伤:损伤,感染,和急救护理 2004年 56 5 1084年 1089年 10.1097/01. ta.0000124283.02605.a5 2 - s2.0 - 2942744557 爸爸 l 罗宾逊 G。 奥利 M。 使用生物标志物的诊断和创伤性脑损伤病人的管理 在医学诊断专家意见 2008年 2 8 937年 945年 10.1517 / 17530059.2.8.937 2 - s2.0 - 74349097784 Maas 答:我。 Stocchetti N。 布洛克 R。 中度和重度创伤性脑损伤的成年人 《柳叶刀神经病学 2008年 7 8 728年 741年 10.1016 / s1474 - 4422 (08) 70164 - 9 2 - s2.0 - 46849094295 Vitaz t·W。 詹金斯 J。 Raque g . H。 盾牌 c . B。 中度创伤性脑损伤后的结果 外科神经学 2003年 60 4 285年 291年 10.1016 / s0090 - 3019 (03) 00378 - 1 2 - s2.0 - 0141849462 Fabbri 一个。 Servadei F。 Marchesini G。 斯坦 s . C。 Vandelli 一个。 不利的早期预测结果与温和的科目在急诊科头部受伤 《神经学、神经外科、精神病学 2008年 79年 5 567年 573年 10.1136 / jnnp.2007.120162 2 - s2.0 - 42449105253 杜克洛 C。 杜蒙特 M。 Blais H。 Rest-activity周期扰动的急性期中度到重度创伤性脑损伤 Neurorehabilitation和神经修复 2014年 28 5 472年 482年 10.1177 / 1545968313517756 2 - s2.0 - 84903643586 Ouellet M.-C。 Beaulieu-Bonneau 年代。 莫林 c . M。 创伤性脑损伤后睡眠障碍 《柳叶刀神经病学 2015年 14 7 746年 757年 10.1016 / s1474 - 4422 (15) 00068 - x 2 - s2.0 - 84930519072 Griffey r·T。 Sodickson 一个。 累积辐射与癌症风险估计在急诊患者进行重复或多个CT 美国放射学杂志》 2009年 192年 4 887年 892年 10.2214 / ajr.08.1351 2 - s2.0 - 63849157519 里夫斯 t M。 考利 b S。 电生理学方法在创伤性脑损伤 2012年 风险中,新泽西,美国 胡玛纳出版社 Arciniegas d·B。 临床电生理学的评估和轻度创伤性脑损伤:尖端科学和对临床实践的影响 国际心理生理学杂志 2011年 82年 1 41 52 10.1016 / j.ijpsycho.2011.03.004 2 - s2.0 - 79960890278 汉利 D。 Prichep l S。 Badjatia N。 脑电活动electroencephalographic-based功能损伤的生物标志物在创伤性脑损伤:多站点验证试验 杂志上的创伤 2018年 35 1 41 47 10.1089 / neu.2017.5004 2 - s2.0 - 85040446903 Ianof j . N。 Anghinah R。 创伤性脑损伤:脑电图的观点 痴呆与这项研究 2017年 11 1 3 5 10.1590 / 1980 - 57642016 - dn11 - 010002 2 - s2.0 - 85015830465 Tolonen 一个。 Sarkela m·o·K。 Takala r·s·K。 定量脑电图参数预测结果严重创伤性脑损伤:开发研究 临床脑电图和神经科学 2018年 49 4 248年 257年 10.1177 / 1550059417742232 2 - s2.0 - 85042123102 Nunez p . L。 对大规模的定量描述皮层动态函数和脑电图 行为和大脑科学 2000年 23 3 371年 398年 10.1017 / s0140525x00003253 2 - s2.0 - 0033828351 费雪 j . a . N。 黄 年代。 叶 M。 实时检测和监测急性脑损伤利用诱发脑电图仪的潜力 IEEE神经系统和康复工程 2016年 24 9 1003年 1012年 10.1109 / TNSRE.2016.2529663 2 - s2.0 - 84987704796 麦克布莱德 J。 赵 X。 尼克尔斯 T。 因为它使得基于脑电图头皮歧视的创伤性脑损伤后认知障碍与事件相关的tsallis熵分析 IEEE生物医学工程 2013年 60 1 90年 96年 10.1109 / TBME.2012.2223698 2 - s2.0 - 84871784249 拉普 p E。 大尺度 d . O。 Albano 一个。 创伤性脑损伤检测使用电生理学方法 人类神经科学前沿 2015年 9 1 11 10.3389 / fnhum.2015.00011 2 - s2.0 - 84933677650 亚达夫 n K。 Ciuffreda k·J。 客观评估视觉注意力的轻度创伤性脑损伤(mTBI)使用视觉诱发电位(VEP) 脑损伤 2015年 29日 3 352年 365年 10.3109 / 02699052.2014.979229 2 - s2.0 - 84922788414 施密特 年代。 狄克特 m·A。 葛夫曼 J。 萨拉查 a . M。 章21-electrophysiologic录音在创伤性脑损伤 创伤性脑损伤,第一部分,临床神经病学手册 2015年 127年 荷兰阿姆斯特丹 爱思唯尔 319年 339年 Basar E。 冈德 一个。 Ungan P。 重要的脑电图和脑诱发电位之间的关系。我猫脑硬膜下结构的共振现象 生物控制论 1977年 25 27 40 窝边缘 r . V。 Nieuwenhuis 年代。 范·波斯特 g . j . M。 范Luijtelaar G。 岛 h·J。 Wijnen v . j . M。 任务状态光谱脑电图动态跟踪和预测病人康复严重的脑损伤 科学杂志:临床 2018年 17 43 52 10.1016 / j.nicl.2017.10.003 2 - s2.0 - 85030850259 麦克纳尼 m·W。 Hobday T。 科尔 B。 客观mTBI使用机器学习分类frontopolar脑电图测量和自我报告的症状 体育Medicine-Open 2019年 5 1 14 10.1186 / s40798 - 019 - 0187 - y 2 - s2.0 - 85068107184 曹 C。 Tutwiler r . L。 Slobounov 年代。 自动分类的运动员残余功能赤字脑震荡后通过脑电图信号使用支持向量机 IEEE神经系统和康复工程 2008年 16 4 327年 335年 10.1109 / TNSRE.2008.918422 2 - s2.0 - 49649100868 赖 c . Q。 阿卜杜拉 m Z。 阿卜杜拉 j . M。 Azman 一个。 易卜拉欣 H。 筛查来自权力的温和的创伤性脑损伤的特点使用支持向量机静息状态的脑电图 学报2019年的第二次国际会议上电子和电气工程技术、EEET 2019年9月 乔治城、马来西亚 99年 103年 10.1145/3362752.3362758 伊斯兰教 m·K。 Rastegarnia 一个。 杨 Z。 工件从头皮脑电图检测和去除的方法:一个回顾 Neurophysiologie倩碧/临床神经生理学 2016年 46 4 - 5 287年 305年 10.1016 / j.neucli.2016.07.002 2 - s2.0 - 84991226093 Cireşan d . C。 迈耶 U。 Masci J。 Gambardella l . M。 Schmidhuber J。 灵活、高性能卷积神经网络的图像分类 人工Intelligence-Volume 22日国际联合会议2、IJCAI”展出11 2011年7月 西班牙巴塞罗那 1237年 1242年 默罕默德 K。 艾哈迈德 J。 Mehmood 我。 ρ 年代。 Baik s W。 基于卷积神经网络的火灾探测监控视频 IEEE访问 2018年 6 18174年 18183年 10.1109 / ACCESS.2018.2812835 2 - s2.0 - 85043375749 勒存 Y。 波沙 B。 德克 j·S。 反向传播用于手写邮政编码识别 神经计算 1989年 1 4 541年 551年 10.1162 / neco.1989.1.4.541 温 Z。 徐 R。 杜 J。 小说卷积神经网络基于脑电图的情感识别信号 学报2017年国际会议上安全、模式分析、控制论(SPAC) 2017年12月 深圳,中国 672年 677年 10.1109 / SPAC.2017.8304360 2 - s2.0 - 85050633711 阿明 美国U。 Alsulaiman M。 默罕默德 G。 Bencherif m·A。 侯赛因 m . S。 多级加权特征融合为脑电图电动机使用卷积神经网络图像分类 IEEE访问 2019年 7 18940年 18950年 10.1109 / ACCESS.2019.2895688 2 - s2.0 - 85062207076 杨 年代。 Deravi F。 霍克 年代。 灵敏度在脑电图生物识别的任务 模式分析与应用 2018年 21 1 105年 117年 10.1007 / s10044 - 016 - 0569 - 4 2 - s2.0 - 84979978501 赖 c . Q。 易卜拉欣 H。 阿卜杜拉 m Z。 阿卜杜拉 j . M。 Suandi 美国一个。 Azman 一个。 安排的静息状态脑电描记法作为生物识别的卷积神经网络的输入 计算智能和神经科学 2019年 2019年 10 7895924 10.1155 / 2019/7895924 2 - s2.0 - 85067818219 Bengio Y。 人工智能的学习深入架构 基金会和机器学习的趋势 2009年 2 1 1 127年 10.1561 / 2200000006 2 - s2.0 - 69349090197 Sehgal 一个。 Kehtarnavaz N。 卷积神经网络的智能手机应用程序实时语音活动检测 IEEE访问 2018年 6 9017年 9026年 10.1109 / ACCESS.2018.2800728 2 - s2.0 - 85041397370 Bottou l 随机梯度下降法大规模机器学习 19国际会议的程序计算统计(2010年COMPSTAT”) 2010年8月 法国巴黎 177年 187年 艾伯特 B。 张 J。 Noyvirt 一个。 自动脑电图处理创伤性脑损伤的早期诊断 Procedia计算机科学 2016年 96年 703年 712年 10.1016 / j.procs.2016.08.253 2 - s2.0 - 84988811294 海恩 g . E。 Maiorana E。 Campisi P。 静息状态的脑电图:non-stationarity生物识别应用研究 学报2017年生物识别技术特殊利益集团的国际会议(BIOSIG) 2017年9月 达姆施塔特,德国 1 5 10.23919 / BIOSIG.2017.8053519 2 - s2.0 - 85034612363 埃夫隆 B。 非参数估计的标准误差:重叠、引导和其他方法 生物统计学 1981年 68年 3 589年 599年 10.1093 / biomet / 68.3.589 2 - s2.0 - 0001077032 库恩 M。 约翰逊 K。 应用预测建模 2013年 纽约,纽约,美国 施普林格 汗 年代。 压力 H。 沙阿 s A。 Bennamoun M。 计算机视觉的卷积神经网络指南 在计算机视觉合成讲座 2018年 8 1 1 207年 10.2200 / S00822ED1V01Y201712COV015 史密斯 l . N。 周期性的学习训练神经网络 学报2017年IEEE冬季会议上的应用计算机视觉(WACV) 2017年3月 圣罗莎、钙、美国 464年 472年 10.1109 / WACV.2017.58 2 - s2.0 - 85020166041 凯斯卡 n S。 Mudigere D。 Nocedal J。 Smelyanskiy M。 唐 P t P。 深度学习大型批量训练:泛化差距,锋利的最小值 2016年 https://arxiv.org/abs/1609.04836 大师 D。 Luschi C。 回顾小批量训练神经网络 2018年 https://arxiv.org/abs/1804.07612