我们的发作识别实验使用广泛使用和公开的脑电图进行数据库由波恩大学( 19]。这个数据库包括五个不同的子集(设置A e)表示Z, O, N, F和s组A和B是由表面脑电图记录清醒状态的健康志愿者睁大眼睛和闭上眼睛,分别。另一方面,集C, D, E聚集于癫痫患者。其中,C和D都记录在控制发作的间隔。记录集C的海马结构相反的半球的大脑。集D从病灶中被记录。集E只包括癫痫活动。每个组包含100单通道记录脑电图信号的采样率为173.61赫兹,23.6秒的时间。对应的时间序列样本为4097数据点。此外,罗切斯特理工学院的每4097数据点划分为23块。 Each chunk contains 178 data points for 1 second ( https://archive.ics.uci.edu/ml/datasets/Epileptic +发作+识别)。为培训深度增加样本的数量模型,采用这种格式的波恩数据集的样本数量的增加了22倍。因此,每个类别的数量有2300脑电图样本。样本的脑电图信号如图5脑电图类 1。

深CNN模型( 20.)可以自动学习EEG信号的特性和端到端方式进行分类。整个CNN架构提出了如图 2,可以进行特征提取和分类。首先,输入一维原始脑电图数据是零均值和单位方差归一化。然后,三个卷积模块采用学习EEG信号的特点,在每一块由五层组成。在细节,第一层计算多个并行运算生成一组线性激活反应。第二层是BN,用于解决内部变量转变。每个线性激活反应通过非线性激活函数的层。激活函数用于这项工作是解决线性单元(ReLU) [ 21]。在第四层,辍学技术( 22是用来防止过度拟合。的最后一层块max-pooling层,它介绍了翻译不变性。结构,第二个和第三个卷积模块类似于第一个。

第三卷积块,年底将被夷为平地的映射到一维特征向量,与FC层集成特性。前两个FC层采用ReLU激活函数,其次是一个辍学层。第三个FC层应用softmax的激活函数将输出向量对应于每个类别的概率。选择更好的模型参数,我们探索了八款车型有不同的规格。细节描述的实验结果和讨论部分。在这项研究中,我们选择M7模型。表 1显示了CNN提议的细节结构。

卷积神经网络(CNN)是一种神经网络与类似的网络结构设计来处理数据。图像可以被看作是一个二维像素网格。同样的,可以视为一维时间序列数据网格由定期采样时间轴。传统的美国有线电视新闻网的卷积块包括三层:卷积,激活功能,池。一维的脑电图数据使用本文卷积操作如下: (1) 年代 t = x ∗ w t = ∑ 一个 x 一个 w t − 一个 。

卷积网络稀疏交互的特点。所以,这意味着更少的参数需要存储,这不仅降低了模型的存储需求,也简化了计算。同时,由卷积内核共享的参数确保我们只需要学习许多数量级较小的参数。卷积是一种特殊的线性操作,激活函数到网络带来的非线性特征。修正的线性单元(ReLU)函数是最常用的激活函数在CNN,这克服了梯度消失问题,允许模型快速学习和表现的更好。方程( 2)显示了ReLU功能: (2) f x = 马克斯 0 , x 。

池函数可以减少空间的大小表示减少参数的数量和计算网络中。它取代系统的输出在一个特定的位置。例如,max-pooling最大值在几个街区。池也可以帮助使表示大约不变的小翻译的输入。

在这项研究中,BN层和辍学层添加到传统的卷积模块。深层神经网络训练时,每一层的参数是密切相关的。层的分布的不一致性的输入会导致一个问题,叫做内部协变量的转变。和内部不同的转变使我们很难选择合适的学习速率。为了解决这个问题,约飞和Szegedy 23]发达BN技术几乎可以reparametrize任何深度网络,大大减少多层之间的协调问题的更新。模型的技术需要标准化作为每个mini-batch架构和规范。

在培训期间,BN的样本均值和标准偏差计算mini-batch响应H在反向传播 (3) μ = 1 米 ∑ 我 H 我 , σ = δ + 1 米 ∑ 我 H − μ 我 2 , 三角洲的组件 δ 是保存在一个小的积极价值,只是为了避免添加渐变成为未定义的真正标准偏差为零。他们习惯于正常化 H通过 (4) H ′ = H − μ σ 。

BN也是非常有用的培训阶段和加速收敛的防止过度拟合。技术已成为一个惯例,和细节中可以找到 23]。因此,我们采用BN每次卷积层。

深神经网络需要学习大量的参数,可能会导致过度拟合的一个小数据集。为了解决这个问题,作者( 22]发达辍学技术来防止功能探测器的相互适应。辍学的关键思想是随机单位有一个预定义的概率下降(以及它们的连接)的神经网络在训练。它可以显著减少过度拟合,明显改善了其他正则化方法。在该模型中,我们添加了辍学躺在每次ReLu激活函数。

最后的输出卷积块代表EEG信号的高级特性。完全连接层通常学习这些特性的非线性组合的方式。所有的神经元在过去max-pooling层与第一个足球俱乐部的所有神经元层。我们使用三个FC层。神经元的数量在最后FC层(一个FC3)文件依赖于检测问题,例如,两舱,三级,five-class癫痫分类问题,神经元的数量在一个FC3是2,文件3和5,分别。

将softmax激活函数是一个泛化的二进制形式的逻辑回归。通常应用于最后一层构成的深层神经网络分类获得的概率分布类标签和每个输入元素属于一个标签。将softmax函数,用 h θ x 我 被定义为方程( 5),这代表各自的概率 我th样本(用 x 我 )属于每个类别: (5) h θ x 我 = p y 我 = 1 x 我 ; θ p y 我 = 2 x 我 ; θ ⋮ p y 我 = k x 我 ; θ = 1 ∑ l = 1 k e θ l T x 我 e θ 1 T x 我 e θ 2 T x 我 ⋮ e θ k T x 我 , 在哪里 θ 1 , θ 2 , … , θ k 将softmax模型参数。

重量训练该模型需要从脑电图数据参数。学习这些参数,我们采用传统的反向传播算法与叉损失函数。,我们使用了随机梯度下降法与亚当优化器基于一阶和二阶自适应估计的时刻。亚当的hyperparameters算法如下:学习速率(0.0005),beta1(0.9),和beta2 (0.999)。Keras实现的模型,一个强大的深度学习图书馆TensorFlow之上运行。100年批大小选择在这工作,这是用于每个培训更新。比较性能测量,我们训练模型,存在300年这项工作与时代。

评价,我们采用了著名的性能指标,如精度(Acc),精密(前),灵敏度(Sen)和特异性(Spe), F1。其中,准确性是最常用的指标之一,在文献中,它被定义为一个比例之间的正确分类样本的样本总数。这些性能指标的定义如下: (6) Acc = TP + TN TP + TN + 《外交政策》 + FN , 精准医疗 = TP TP + 《外交政策》 , 森 = TP TP + FN , Spe = TN 《外交政策》 + TN , F 1 = 2 × 精准医疗 × 森 精准医疗 + 森 , TP(真阳性)的异常脑电图记录数量,正确认定为异常;TN(真阴性)的数量正常脑电图正常情况下,正确预测;FP(假阳性)的脑电图正常情况下预计为异常;和FN(假阴性)的数量异常脑电图记录错误地分类为正常。

为了减少测试误差估计的统计不确定性引起的小规模的测试数据集,我们采用了10倍交叉验证进行评估。每个类别的2300 EEG信号是随机分为十个不重叠的褶皱。在 我th测试, 我th褶皱的脑电图信号用于测试,其余9折用于培训。的准确性、敏感性和特异性的价值观在报纸上报道的平均值得到十个评估。

我们探索了模型与不同的参数,包括接受域的大小,神经元的数量,和FC层的辍学概率的比较。five-class分类问题,例如,使用10倍交叉验证实验结果如表所示 2。

实验参数,实验表明,在一个更大的接受域的大小和更多的神经元在俱乐部层使识别更加有效。FC层的辍学概率20%比50%的速度更有效。因此,模型的参数M7的最佳性能用于实验和各种组合两级和三级分类。

多分类问题可以分解为多个二元分类问题。每个分类的结果可以列为混淆矩阵,反映了原始和预测每个类别的标签。表 3显示了分类混淆矩阵评价指标正常(B)与preictal (D)与癫痫(E),以及整体的分类结果。所有的指标都超过96%,尤其是特异性,在每个类别在98%以上,总体分类。

检查模型的鲁棒性,我们测试了20个组合。的细节10倍交叉验证结果如表所示 4,平均精度采用整体精度。两级分类的准确性变化从97.63%提高到99.52%,具有最佳性能为D和E和最糟糕的表现与大肠三级识别的准确性问题是96.73%∼98.06%之间。值得注意的是,准确度高达98.06%的B和D和e . five-class分类更加复杂和难以解决的问题比两级和三级问题,但在许多临床应用优势,和该模型仍获得93.55%的整体精度。该模型适用于各种波恩数据集的分类问题,具有很强的泛化能力。

许多方法已经提出了在文献中自动检测数据库使用波恩脑电图的癫痫发作。表 5显示了识别率的比较的结果与他们的工作在不同的分类问题。二元分类问题是识别nonseizures和癫痫发作的问题。健康志愿者和癫痫发作分类与E、B和E,和AB型和E .由于显著差异在这个分类,分类的结果出现在表的各种方法 5一般优秀,都在99%以上。发作,发作的分类精度(C和E、D和E和CD和E)略低于第一二进制分类。特别是,两组D和E的病灶;因此,很难区分。在传统的方法表 5Zhang et al。 1获得最佳的性能,已经达到了98.1%的准确率。在CNN-based技术、Ullah et al。 2)采用CNN和多数投票模块分类,并获得99.4%的准确率。土耳其和Ozerdem 17)和CNN使用连续小波变换识别,取得了98.50%的准确率。该模型的工作只是雇佣了CNN和获得了97.63%的准确率。

三级分类问题进一步细分脑电图记录区分正常,发作,发作的脑电图。我们比较两种类型的三级问题(B和D和E和AB和CD和E)。该模型也取得了良好的性能。特别是在B和D和E的情况下,其性能达到最好的准确性为98.06%,这显然是比另一个模型( 16)基于CNN。

five-class分类问题更加复杂和难以比两级和三级问题分类。它需要识别脑电图之间的分化时期属于同一个类(例如,集A和B,这都是正常的;集C和D,发作)。因此,在文献中,相对提出了一些方法来解决这三种类型的问题在同一时间。拟议的CNN模型实现了93.55%的精度,这是非常接近的结果土耳其和Ozerdem 17),比传统的方法。

实现的实验仍然需要减少学习速率和增加数量的时代,这无疑会增加癫痫识别的准确性,但与此同时,将花费更多的时间进行训练。训练样本的数量有限,我们也可以尝试提高数据集,这可能是有用的模型的泛化能力。例如,我们可以23.6秒脑电图数据分割成许多重叠块进一步增加样本的数量。