文摘

癫痫是一种慢性疾病引起的突然大脑神经元异常放电,导致短暂的大脑功能障碍。癫痫的发作突然和重复性的特点,已严重威胁患者的健康、认知等。在当前条件下,脑电图诊断起着至关重要的作用,判断,和定性癫痫的位置在各种癫痫发作的临床诊断和检测的是一个不可或缺的手段。癫痫患者的EEG信号的研究提供坚实的基础和有用的信息可以深入理解其发病机理。尽管如此,基于机器学习的智能分类技术已经广泛用于癫痫EEG信号的分类和显示效果。事实上,很难确保总是有足够的脑电图数据用于训练模型在现实生活中,这将影响算法的性能。针对这一点,减少的影响数据检测算法的性能不足,小说区别最小二乘回归——(DLSR)为基础的归纳学习方法转移DLSR的基础上,介绍了感应传输学习。它应用于促进癫痫EEG信号识别的适应性和准确性。该方法继承了DLSR的优势;它可以更适合分类场景通过扩大不同阶层之间的时间间隔。与此同时,它可以同时使用数据的目标域和域的知识来源,有助于获得更好的性能。 The results show that the improved method has more advantages in EEG signal recognition comparing to several other representative methods.

1。介绍

目前,癫痫已经成为一种常见的神经学疾病。其发病机制尚未完全阐明,它通常是定义为一种慢性神经系统疾病突然大脑神经元异常放电引起的。癫痫发作突然,重复。其发作伴有意识丧失等临床表现,晕倒,四肢抽搐。它还具有认知和精神障碍,严重危及病人的健康、认知等。1,2]。据统计,超过百分之一的世界人口受到疾病(3,在中国大约有900万癫痫患者。因此,癫痫的深度研究和预防方面发挥不可或缺的作用,减轻患者的痛苦,提高生活质量,促进健康发展。作为一种重要的方法,研究癫痫,EEG使用电极记录大脑中神经细胞的电活动,它包含了大量的生理和病理信息,和在临床检查是非常重要的,位置,和治疗癫痫。因此,对于倾向于癫痫患者,癫痫可以分析和屏幕自动检测人高危癫痫的脑电图信号,从而实现早期发现,及时进行干预,减少癫痫对人们的影响和癫痫的发病率。针对这一点,这是很有价值的研究癫痫自动检测算法基于EEG信号和发展一个高效、准确的癫痫自动检测系统。

事实上,基于EEG信号自动癫痫检测的研究吸引了学者们的广泛关注和自1970年代以来国内外专家。预测的发病或preonset癫痫发作过程中检测、机器学习和模式分类算法通常应用于分类EEG信号时域提取的特征后,频域、频域,或非线性领域的脑电图。随着计算机技术和数字信号处理技术的发展,越来越多的方法被广泛应用于癫痫检测方法的研究,取得了一定的研究成果,如贝叶斯分类器(4),人工神经网络(5- - - - - -9),支持向量机(SVM) [10- - - - - -13),和模糊推理14,15]。例如,Obeyli EEG信号的李雅普诺夫指数特征提取和使用概率神经网络分类EEG信号,从而达到较高的分类结果(9]。陈等人五次能带的时频特征提取癫痫EEG信号的小波变换域,然后使用支持向量机和集群回归模型识别癫痫的发作。Aarabi et al。14]提取样本熵等特性,主要频率、平均振幅,振幅变化系数颅内脑电图da4ta癫痫患者和使用建立模糊推理规则融合癫痫的脑电图特征信息检测。尽管许多上述智能分类方法显示癫痫EEG信号分类的有效性,他们仍然面临挑战,也就是说,很难获得足够的癫痫EEG数据训练模型在现实生活中。因此,它具有重要的实用价值,探索如何使用相关领域所必须的知识提高脑电图数据在当前场景的分类性能(16]。

为了解决上述挑战,一种新颖的归纳学习方法基于转移判别提出了最小二乘回归(TDLSR)。与此同时,它是应用于特定的医学应用场景,即癫痫EEG信号分类,以减轻数据严重短缺的影响算法的性能。转移学习是知识转移相关领域的有效途径,有助于获得更多的信息在没有足够的数据或信息。它关注如何使用相似但不同的源域的有用的信息来提高分类器的分类结果在目标域。当研究癫痫EEG信号分类,归纳学习方法转移自然成为第一选择,因为不足的标记癫痫脑电图样品有时在目标域。更重要的是,由于判别LSR仍然是基于最小二乘回归(LSR) [17),这可以解释每个特性的重要性在预测模型基于原始数据空间中,我们介绍了归纳学习方法基于转移DLSR用于癫痫EEG信号的分类。总之,创新的工作总结如下:

点1。改进方法的基础上,归纳转移学习,但是有一些区别传统的归纳学习转移。后者直接传输中使用的样本或特性的源域到目标域转移学习,前者使用杠杆机制,知识转移一些知识从源域到目标域。然后,数据的安全可以保护,在源域和目标中的数据域和源域的知识可以同时使用,这样的分类效果更好。

点2。改进的方法扩大DLSR可以应用于分类场景与某些新方法转移学习能力,所以它可以用在更复杂的场景。

点3。改进的方法继承DLSR的特点,也就是说,它可以更好地应用于分类场景通过扩大不同类别之间的时间间隔。而且,它能把知识从源域,从而确保其培训模式的合理性。

最后,为了更好地说明了本研究的基本思路,论文的结构如下:

第1部分。介绍了研究背景、现状和意义的论文。

第2部分。相关工作,包括癫痫EEG信号检测的相关技术和癫痫EEG信号分类转移学习的基础上,总结了以下部分提前,这样更加可读。

第3部分。的符号归纳学习算法基于DLSR转移作了详细介绍。

第4部分。TDLSR算法的信度和效度的检测癫痫EEG信号基于一系列的实验验证。

2。相关工作

自动癫痫检测是基于信号处理技术和模式识别。分析EEG数据确定癫痫的位置和持续时间。通常,期间收集的癫痫EEG信号被称为癫痫脑电图,和脑电图信号收集nonseizure称为nonseizure脑电图。癫痫脑电图的自动检测问题是有效地判断上述两种类型的脑电图信号和识别癫痫发作。相关检测技术介绍如下。

2.1。癫痫EEG信号检测的相关技术

因为癫痫的脑电图信号很容易受到很多因素的干扰,是很随机的,它是一个非平稳的信号,其规则是一般很难掌握。因此,研究人员经常使用定量分析来提取癫痫EEG信号的特征信息。现有的自动癫痫检测方法包括以下:(1)时域分析:最早的时域分析方法用于信号分析。分析EEG信号的时域波形,研究在癫痫脑电图波形之间的差别,在nonseizures脑电图波形,并直接提取信号的波形特征来区分这两种类型的脑电图信号。时域分析方法具有直觉的特点和明确的物理意义,它可以反映出重要的信息在瞬态波形如棘波和竖琴波。代表的时域分析方法有模板匹配方法,时域波形,或能量特征,等。2001年,Litt et al。18]对EEG信号进行特征提取基于时域分析方法。此外,研究人员进行了时域分析EEG信号中提取波形或能量特性不同于背景活动和使用振幅,节奏,期间,和其他参数作为分类标准确定癫痫EEG信号。Gotman等人进行了“半波”EEG信号的分解,然后提取脑电特征,包括平均振幅、持续时间、和变异系数相对于背景,基于专家经验和设置阈值。特征参数与阈值进行比较,判断它是一个癫痫信号(19- - - - - -21]。时域分析只执行从时域统计分析,而且很容易错过其他重要的变化异常信号,如慢波(2)频率分析:与时域分析,主要分析癫痫脑电图的波形特征,频域分析分析脑电波的频率特性。它承认根据脑电波的频率不同的节奏。脑电波的不同节律对应于癫痫EEG信号在不同时期或大脑的不同部位(22]。频域分析是基于傅里叶变换和主要用于EEG信号的功率谱分析。它执行EEG信号的傅里叶变换得到其频率成分和光谱分布和提取相应的脑电图特征在频域对癫痫检测和识别。代表方法包括功率谱估计,自回归(AR)模型谱估计和高阶谱(23]。其中,功率谱估计变换EEG信号的振幅随时间变化的脑电图频谱图与权力不同频率的分布和变化,分析每个频带的脑电图信号直观和定量(24,25]。虽然频域分析可以提供大量有效的信息,允许研究人员检测癫痫脑电图的频域特征的基础上,整体的频谱信号的傅里叶变换得到的也不能反映了信号的局部特征也反映了信号频率分量随时间变化。因此,通过频域分析检测结果不是很令人满意,大大限制了实际应用(3)时频分析:癫痫EEG是一种典型的非平稳信号,其中包含不仅在时域波形参数特征也在频域能量分布特征。然而,上述两种方法都无法完全提取EEG信号的瞬态特性和信息,可以得到理想的结果。随着数字信号理论和方法的发展,时频分析方法结合时域和频域广泛用于非平稳的EEG信号分析。它可以同时获得时间和频域信息和脑电图的捕获瞬态信息。近年来,越来越多的研究采用时频分析方法来分析EEG信号,其中各种小波变化的方法。小波变换窗函数的使用翻译和扩张来实现宽时间窗对信号的低频分量和高频分量的狭窄的时间窗口完成信号的多尺度分析。这种分析方法符合自然法则和有很好的描述信号的局部特征的能力(26]。它可以捕获EEG信号的瞬态特性和准确定位在时间和频率域。除了小波变换,常用时频分析方法还包括经验模态分解(27- - - - - -30.)、能量(31日,32),而斯托克变换(33,34]。然而,大多数的时频分析方法只能用于原始信号的多分辨率分析,然后需要结合其他算法实现特征提取和选择的脑电图。图1显示了比较时域分析、频域分析和小波变换分析。观察上面的数字,很容易得出结论,时频分析可以提供更多有用的信息相比,时域分析和频域分析。在图1 (c),小波变换提高时间分辨率的高频信号通过改变时间窗口,提高频率分辨率低频率,具有更好的分类效果(4)非线性动态分析:如今,随着非线性动力学理论的进步,研究人员致力于研究脑电图信号的非线性自动检测癫痫的解决问题。利用非线性动力学理论EEG信号分析方法,可以提取各种EEG信号的非线性特征来区分癫痫EEG信号从正常脑电图信号。这提供了一些新的研究理念癫痫自动检测技术。Kannathal等人使用不同的熵来衡量EEG信号的混沌特性,利用其作为脑电图特征区分脑电图信号在不同时期35),包括香农熵,Renyi熵,Kolmogorov-Sinai熵和近似熵。结果表明,癫痫患者的EEG信号的复杂性在间歇期间高于在扣押期间,也就是说,在癫痫EEG信号的复杂性降低,和选择价值小于正常脑电图信号。尽管非线性分析可以反映癫痫的动力机制,大部分的非线性特性是计算密集型和一般耗时,不适合实时癫痫自动检测系统。

2.2。基于转移学习癫痫EEG信号分类

传统的分类方法使用大量的数据和标签信息来训练决策函数,然后使用这个函数分类和识别测试样本与未知的标签信息。然而,这些分类方法都有一个前提:训练数据和测试数据需要服从同一分布特征,如图2。不同的训练样本和测试样本的分布如前所述,传统方法的性能显著下降,如图3。为了应对这一挑战,学习是一种很有前途的研究方向转移。转移学习侧重于知识转移问题类似于不同的领域或有不同的数据分布。它提高了分类器的性能用于目标区域识别通过学习有用的知识从源域。根据所使用的目标领域是否包含样品标签信息,转移学习技术分为三类:归纳学习方法转移,直接转换传递学习法,和无监督学习方法转移36). .在本文中,我们将重点归纳学习方法具有良好的转移性能,即归纳转移学习方法基于判别最小二乘回归(TDLSR)。其应用和实际效果在癫痫的脑电图信号检测的研究。癫痫EEG信号检测的框架结构基于迁移学习理论,如图4。

简而言之,学习是转移到转移的知识(有用的知识)从源域与大量的标记数据的学习目标域,没有或很少带安全标签的数据,从而提高训练质量的目标域。这可以减少收集标签数据的工作量在目标域。

3所示。的归纳学习算法基于DLSR转移

为了更好地描述算法本文表1给出了一个详细描述符号的算法。

由于DLSR nontransforming算法,符号表1指的是原始训练样本的参数变量。

3.1。最小二乘回归

基于统计理论的广泛使用的方法,LSR已成为一个典型的方法。光敏电阻使用弗罗贝尼乌斯规范来约束系数的矩阵表示。摘要扩大LSR算法的分类能力,我们preconstructed二进制标签矩阵相应的训练样本 ,,这样就可以更好地应付更复杂的分类情况。的th列表明只属于的数据th类对应于一个元素等于1,和所有其他元素是0。然后,LSR可以重新定义的目标函数如下:

由于光敏电阻具有解析解,它可以很容易地获得,公式(1)可以写成:

然后,光敏电阻的解析解的解决过程如下:让

最后,光敏电阻可以得到的解析解

3.2。区分的最小二乘回归

正如我们所知,光敏电阻可以直接用于分类的任务。然而,由于任何两个不同的类之间的间隔所构造的矩阵是二进制类标签 ,在文献[DLSR提出37]介绍了放松技巧到光敏电阻,以扩大两个数据之间的间隔从不同的类。提高密实度的分类任务,DLSR将全面考虑类因素,构建一个指标矩阵基于二进制标记矩阵的样本。矩阵的每个元素定义如下:

从本质上讲,每个元素的矩阵代表的偏移方向相应的类标签。然后,放松的每个元素执行,的数量放松通过矩阵是记录。然后,DLSR的目标函数可以表示为

DLSR是一个凸优化问题的目标函数。但是,它不能直接优化的解决方案。文献[37)采用另一种优化策略,确保每一步的封闭解。具体的推导过程如下:(1)修复 ,和更新和 。让 ;公式(6)可以写成 根据优化理论,我们的偏导数 ,即 此外,我们发现的偏导数 ,我们可以得到 (2)修复和 ,和更新 。让 ;然后,可以解决如下:

根据文献[37),弗罗贝尼乌斯规范广场可以解决一个矩阵元素的元素,所以情商。10)可以相当于解决 子问题。为元素在一行和列 ,可以有 在哪里和代表了的th元素矩阵的行和矩阵 ,分别和满足 。然后,我们可以得到

,因为每个元素满足 ,公式(12)可以写成

因此,最终的解公式是:

根据上面的推导,算法1给DLSR算法的详细描述。

3.3。的归纳学习算法基于DLSR转移

大多数归纳学习算法实现转移通过直接从源中的数据域通过一些学习课程。然而,在本文中,我们使用一个基于知识的归纳学习框架,而不是原始数据转移到研究归纳学习方法转移基于领域知识来源。受,归纳学习算法基于DLSR转移。其目标函数是

它可以发现从公式(15),前两项直接继承DLSR学习在目标域。第三项是用来转移知识的源域到目标域。当 ,数码单反相机是数码单反相机。

简而言之,TDLSR总结DLSR从转移的角度学习,但却比DLSR转移学习能力,具有较好的适用性。的目标函数类似于DLSR TDLSR也可以使用另一种优化策略解决。具体的推导过程如下:(1)修复 ,和更新和 。让 ;公式(15)可以写成 根据优化理论,我们的偏导数 ,即 此外,我们发现的偏导数 ,我们可以得到 (2)修复和 ,和更新 。让 ;然后,可以解决:

类似的解决方式在DLSR,公式,最后的解决方案是:

根据上面的推导过程,算法2给TDLSR算法的详细描述。

更清楚地了解TDLSR算法,图5显示了TDLSR的具体过程。

4所示。实验研究

4.1。环境和参数设置

评估TDLSR的性能,大量的实验进行了基于EEG信号识别。实验将从两个方面进行:(1)比较实验与经典的光敏电阻,SRC, RLR, DLSR,和支持向量机(2)比较实验与相关的方法变换能力,如AuSVM Tr-Adaboost TSVM, LMPROJ。在实验中使用的硬件环境是英特尔(R) (TM)核心i7 - 9700 3.0 GHz×8 G内存,和软件环境是Windows 64, MATLAB R2012b。表2显示了以上算法的参数设置。

4.2。实验数据集

在实验中,脑电图数据集用于癫痫是波恩数据集(38,39),由Andrzejak等人收集在一个癫痫中心波恩大学。脑电图数据集包含五个数据集,用大肠这个数据集比较病人的脑电图和nononset发作期间的脑电图正常的人。收集的数据集,数据集B是脑电图信号健康测试人员与他们的眼睛打开和关闭。数据集的数据集C和D EEG信号收集的癫痫患者内外病变在扣押期间,和数据集E EEG信号收集的病人数据集数据集C和D在癫痫。每个数据集包括100单通道脑电图(即100个样本),采样频率是173.61赫兹,每一段信号的收集4097频点,并且每个脑电图段持续23.6秒。

波恩在我们的实验中,使用的数据集是明显不同于先前的许多作品。我们建造8 subdatasets从原来的5个数据集实验来模拟不同的场景。源和目标域的8 subdatasets实验是由部分数据提取5集。我们随机选择75%的数据从一个特定的数据集作为源域,和剩下的25%作为目标域。源和目标域的示例数据subdatasets 1 - 4是来自相同的分布,但样本是不同的。的样本数据的源域和目标域subdatasets 5 - 8有不同的分布。最后,对于目标领域中的数据,20%是随机选择测试,剩下的80%用于培训。此外,训练和测试数据集不包含相同的样品,都是相互独立的。表3列表8 subdatasets的详细信息。

4.3。实验结果和分析

验证TDLSR癫痫EEG数据识别的有效性,在经典算法进行了比较实验。实验结果如表所示4和5,分别。

如上述所示实验结果,结论总结如下:(1)在相同的分布数据集源域和目标域的数据集,nontransfer学习算法和转移学习算法实现良好的分类效果。为特定的数据集分布的差异,算法的分类效果没有改变的能力有很大的不同,和算法的实验结果表5通常比算法的结果在表吗4(2)作为一个整体,TDLSR的性能介绍了明显优于其他算法。这意味着通过知识转移从源域到目标域,TDLSR算法获得更好的性能和癫痫EEG认可生效(3)比较算法的性能表4,它可以发现DLSR具有最佳性能,SRC和SVM性能不佳。这是因为DLSR扩展的能力区分类通过使用类标签中的信息空间的分类任务。如表中所示的结果5最好,TDLSR算法执行。这是因为它不仅继承的优点DLSR通过增加不同阶层之间的时间间隔也转移更多的有用的信息从源域到目标域。它比其他几种算法具有较强的学习能力转移。因为TDLSR方法需要较少的参数调整,这是更容易使用,稳定性和容错性强于LMPROJ等转移学习算法。

此外,进一步观察和比较整体分类性能的算法,数字6和7也给每个算法的平均分类精度在所有的数据集。

观察数据6和7可以看出,算法的分类精度高于相同的分布式数据集的结果在不同的分布式数据集。其次,与传统nontransfer学习算法相比,该算法与转移学习能力有更多的分类性能,优势和TDLSR显著改善分类性能。最后,对所有数据集不同的类,所有算法的性能不断降低类别数量的增加。这是因为随着类的数量增加,标签中的信息空间变得更复杂,和学习中的信息标签空间变得更加困难。

与此同时,为了进一步验证算法的可靠性和稳定性,我们随机添加15%的高斯白噪声来源中的数据域证明本文算法可以适应更复杂的场景。实验结果如表所示6和7,分别。

通过以上实验结果,可以发现,所有nontransfer学习算法的分类性能在噪声条件下降低更多。原因是他们无法获得有用的知识从嘈杂的数据分类(源域)。然而,所有表的算法7可以将一些有用的知识从源域分类在目标域,所以他们的表现比表中的结果吗6。

总之,TDLSR算法介绍了优于其他癫痫EEG信号检测算法。很容易学习和培训,具有较高的稳定性,并显示一定的优势相对于其他智能算法。

5。结论

解决问题严重短缺的训练数据在当前场景,提高分类的准确性,小说DLSR-based归纳学习算法转移(TDLSR)介绍了癫痫EEG信号的检测。它可以利用归纳学习和DLSR转移。一方面,它不仅可以保护源域数据也使用的安全目标的数据域和源域的知识得到更好的性能。另一方面,它继承了DLSR的特点更适合实际分类场景通过扩大不同类别之间的时间间隔。因此,与DLSR相比,新算法不仅提高了转移学习能力,也保证了模型更为合理。结果反映,改进后的算法具有更多的优势在癫痫EEG信号分类与传统算法相比。然而,发现结果很容易受参数的影响。总之,参数选择的质量将直接影响最终的检测精度。因此,为了获得更高的检测精度,值得进一步研究脑电图信号的特点来指导参数的设定范围的迁移学习算法。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突有关出版。