夜间额叶癫痫(NFLE)是一种罕见的癫痫,一般继承,影响两性从1到60年,并与认知能力下降有关。危机的特点是频繁而短暂hypermotor睡眠发作,可能从一个简单的从睡眠觉醒到更有针对性的运动运动,通过体位矛盾的补剂,愁眉苦脸,尖叫和呻吟,情景夜间漫游,和刻板的激动梦游病( 1, 2]。摘要NFLE癫痫检测的问题,利用脑电图仪的(EEG)信号作为输入到一个原始卷积神经网络(CNN)预测模型,是解决。

EEG信号的使用是证实大多数关于癫痫发作的文献发现,确实认为金本位脑电图分析大脑的电活动( 3]。

在文献中,有一个广泛的建议一般癫痫发作的识别( 4- - - - - - 13),主要是基于机器学习的方法,支持医生非常耗时的标签( 4]。然而,很少有专门处理NFLE贡献都在场,他们达到较低的性能指标。在[ 14),提出了NFLE癫痫检测系统,基于加速度计信号,获取一个值的敏感性为91.67%,特异性84.19%三个儿科患者。加速度计已经提出了( 15, 16)检测癫痫发作与利弊;即使他们穿起来更舒适,他们只能揭示癫痫相关运动活动。此外,高假阳性率通常可能由于运动工件不能轻易区别抽搐。在[ 17),提出了一种机器学习技术分类NFLE发作和nonseizures使用C4 / A1脑电图通道(根据国际10 - 20系统[ 18]),这是一个单极派生目前用于传统的睡眠分期和唤起评分( 19),获得特异性的82.4%的价值。在[ 20.),自组织映射(索姆)是用于开发特定病人的发作NFLE探测系统。该方法允许建设的地图,包含重要的信息在当前的大脑状态,显示正确映射到集群的潜力数据从癫痫和nonseizure模式。此外,它也表明使用索姆早期危机突出EEG跟踪到它的检测。这个投影的轨迹在地图上后,就可以激活警报根据集群的构成,当前脑电图样品预计。一直在测试方法灵敏度9个病人获得平均值等于80.5%,特异性90.2%的平均值。

尽管有这些很好的结果,引用文献表明,功能工程阶段对机器学习的成功是至关重要的预测模型和适当的识别癫痫指标是一个初步尽职调查。事实上,它高度影响分类器的性能,通常习惯于一个特定知识和能力下的病理生理学研究。此外,提取特征通常是由手,非常耗时,需要大量的场景模拟,以选择最佳组合的特性。为了避免这种具有挑战性的阶段,在本文中,cnn已经使用。事实上,cnn能够自动学习相关的高维数据的低维特征先后应用卷积和将采样操作。

cnn,属于所谓的“深层神经网络( 21- - - - - - 23),现在肯定自己从脑电图癫痫信号的自动检测。在[ 24),Acharya等人提出了一个一维(一维)CNN 13层:5卷积层,5 max-pooling层,3完全连接层。CNN一直在训练分类脑电图时代三个类:正常,preictal和癫痫发作。使用100单通道脑电图的痕迹从波恩脑电图数据库五个病人( 25),精度为88.67%,敏感性为95%,特异性90%得到十倍crossvalidation。即使结果是有前途的,与文献相同的数据库显示,该检测系统可以改善提供了更多的脑电图数据是可用的。在[ 26),Ullah等人提出一个金字塔形的一维cnn (P-1D-CNN)来解决相同的三个类的检测问题解决( 24)在同一波恩大学数据库。P-1D-CNN有三个回旋的每一层和两层完全连接。进行了模拟,选择最好的模型参数。为了克服缺乏数据,已经强调了在 24),两个数据介绍了扩张计划。多数投票策略采用熔断器的决定cnn的合奏,平均精度达到96.1%。在[ 27),作者利用cnn的态度来处理图像,而不是0-D时间序列。为此,原始脑电图反应数据首先过滤,然后分段使用前缀的时间窗口,最后转化成一系列EEG-plot图像。拟议的CNN是VGG-16架构的基础上 28),一直训练对每个图像到发作或nonseizure类进行分类。的值给出的结果,真正积极的标签被秒74%,作者声称是高于商用癫痫检测软件。在[ 29日),每个单通道脑电图信号转换为二维图和相对应的情节22个不同的脑电图渠道结合在3 d图像根据电极之间的相互关联的强度。然后,使用3 d内核,3 d CNN, 4卷积层,3马克斯池层,和2完全连接层,建立了检测发作,preictal, 13个癫痫患者发作的阶段。准确率为90%,敏感性为88.9%,特异性为93.8%获得使用10倍crossvalidation过程。

见引用的引用、培训CNN模型需要大量的脑电图记录由技术熟练的神经病学家手动贴上标签,这可能是一个冗长而耗时的任务。因此,正如大多数的作者强调的,这些深度学习发作的主要问题限制了性能检测方法的训练数据量,这可能还不够,和癫痫的特征空间,这可能会发生显著的变化在不同的患者脑电图记录,甚至同样的耐心。为了克服这些限制,在本文,transfer-learning策略,可显著降低训练所需的数据量,采用。转移学习调查报告( 30.),它被定义为“系统识别的能力和应用知识和技能学习新任务之前的任务。“转移学习被证明是特别有用的在训练中深神经网络可以分享一些低层次的网络以前训练的数据从其他任务,而上层重新训练和调整使用task-dependent数据( 31日]。Transfer-learning技术在很大程度上仍未知的虽然他们似乎拥有巨大的潜力来克服缺乏数据用于癫痫发作的问题检测。

在本文中,cnn已经首先用于构建特定病人的癫痫检测系统受NFLE三个病人。检测问题被建模为癫痫发作和nonseizure分类问题,获得性能,克服了其他方法了( 20.对同一病人)。针对病人的CNN模型也发现癫痫发作,使用限制医生的耗时的手工标签。transfer-learning技术已经被采用,允许调整一个CNN模型,训练数据从一个病人,来获得不同的病人的检测指标。获得的结果在目前的工作表明,甚至只是一个癫痫足以定制CNN新病人。

本文的其余部分组织如下。使用的数据库,数据增强模式,CNN模型架构中讨论部分 2。部分 3提出并讨论了结果的不同和cross-patient检测系统。部分 4总结了研究的结果。

深度学习和转移学习已经被用于构建特定的和cross-patient癫痫检测系统。检测问题被正式为两分类问题,两类对应于癫痫(深圳)或nonseizure (NS)州在睡眠和培训已与卷积神经网络模型与长期脑电图记录包括癫痫发作。

深的性能模型已经使用一些指标用于评估大多数癫痫和文献,一般来说,在机器学习分类,如准确性、特异性、敏感性,和Gmean: (1) 精度 交流 = TP + TN TP + TN + 《外交政策》 + FN , 特异性 SP = TN TN + 《外交政策》 , 灵敏度 党卫军 = TP TP + FN , Gmean = 特异性 × 灵敏度 , TP(真阳性)在哪里发作模式(深圳)正确分类,TN(真正的底片)nonseizure模式(NS)正确分类,FP(假阳性)nonseizure模式分为癫痫模式,和FN(假阴性)没收模式分为nonseizure模式。

CNN架构已经部署,ResNet结构适应的问题从脑电图癫痫检测的痕迹在夜间额叶癫痫(NFLE)。架构的调整主要是在使用一维卷积层过滤器,过滤信息分别来自不同的电极,和包括辍学层以减少过度拟合训练集和提高泛化。深度学习方法的一个优势是,工程步骤不需要复杂而耗时的特性。此外,开发针对病人的检测系统已经证明优于文献中对所有的性能指标,精度高于94%的认为病人。在我们所知,这是第一个应用程序的深度学习NFLE癫痫检测。此外,使用转移学习的潜力,缺乏广泛的脑电图数据库已经克服,可能开发cross-patient癫痫检测系统已被证明。事实上,病人自身系统可以调整到一个新的病人一些数据和有限的计算工作。