文摘

自动检测癫痫是癫痫的脑电图信号的分类和nonseizures,和它的目的是区分不同的癫痫脑电信号的特征和正常的脑电信号。为了提高自动检测的影响,本研究提出了一种新的基于无监督分类方法多视图聚类结果。此外,考虑到原始数据的高维特征样本,深入介绍了卷积神经网络(DCNN)提取样本特征获得深刻的特性。深特性降低了样品尺寸和增加样品分离性。我们提出了新颖的脑电图检测方法的主要步骤包含以下三个步骤:首先,介绍了多视图FCM聚类算法,使用训练样本训练每个视图的中心和重量。然后,每个视图的类中心和重量训练获得的用于计算的view-weighted会员价值新的预测样本。最后,新的预测样本的分类标签。实验结果表明,该方法能有效检测癫痫发作。

1。介绍

癫痫是一种常见的精神疾病神经学。它是一种慢性神经系统疾病引起的突然和临时干扰大脑功能由于大脑神经元的阵发性异常放电1]。在全球范围内,1%以上的人口患有癫痫(2]。在中国在神经系统疾病,癫痫已经成为第二个最常见的疾病,用更少的病人比头痛。有许多癫痫发作的临床表现。更常见的症状是暂时的感觉障碍、行为障碍,肢体抽搐、意识丧失,或神经功能异常。癫痫导致严重危害病人的健康和在某些情况下甚至危及生命3]。可以说,癫痫已经给人类健康和社会发展带来了很大的负担。因此,癫痫疾病的研究具有非常重要的意义对于医学研究和人类社会的发展。

目前,癫痫的诊断主要是通过病人和他的亲戚和朋友,尽可能多的获得完整和详细的历史病人的发作,然后被称为脑电图检查。癫痫发作的确定主要是根据病人的临床表现和脑电图记录。脑电图可以记录神经元的电活动异常病人的大脑癫痫发作期间,它已经成为一个重要工具探索癫痫的特点。它已广泛应用于各种癫痫研究包括癫痫诊断癫痫位置,定性研究,癫痫发作预测和控制癫痫。直到现在,脑电图检查仍主要由医务人员目测法结合自己的经验。然而,依靠手动识别癫痫脑电图有许多缺点。首先,医疗条件的进步和电信号采集设备的发展,脑电图数据的数量正变得越来越大,和病人的脑电图的持续时间通常超过数十甚至数百个小时。面对大量的脑电图数据,手动检测耗时的和有效的。第二,有些癫痫的脑电图特征非常微妙和难以认识到单靠人类的眼睛。第三,当医务人员工作很长一段时间,他们的判断会受到影响,这将很容易导致错误检测率的增加。 With the in-depth research and development of computer technology, automatic detection and recognition of epilepsy EEG signals using computers as auxiliary tools have become an important auxiliary detection method. The study of automatic epilepsy detection technology becomes extremely important.

EEG信号的事实是一种时间序列,时频分析方法被广泛使用在研究自动癫痫检测算法。这些方法分析癫痫EEG信号的时域或频域或合并两个捕捉癫痫EEG信号的特征信息。小波分析(等时频分析方法4,5),S变换(6),和经验模态分解7,8)用于分析癫痫EEG信号的特点。由于EEG信号的非线性特征,非线性动态分析也成为一个癫痫自动检测的方法。熵,作为一个参数代表信号的复杂性和随机性,作为癫痫EEG信号的特性区别于脑电图信号的不同时期(9,10]。随着模式识别和机器学习研究的发展,各种学习算法(11- - - - - -20.]也广泛应用于癫痫的自动检测。近年来,随着深度学习的发展,一些深层神经网络也被应用于癫痫EEG信号的分类(21,22]。

目前,癫痫检测技术已经取得了很大的进步,取得了许多重要的研究成果,但在现有的研究也有一些问题。例如,(1)研究基于脑电图的癫痫检测的信号,不同的特性,比如时域和时频域的脑电图往往直接结合机器学习算法来识别不同的脑电波模式(23- - - - - -26]。不同的脑电图特征提取方法和分类方法是费时和费力,不能满足实时要求在实际生产。(2)决策使用脑电图的一个特性,忽视其他角度的数据,并决定结果并不理想。(3)传统的特征提取方法应用到功能通过多视图数据很容易丢失一些重要的信息和不适合多视点数据的特征提取。(4)分类器的设计,基于单个分类器角度不考虑数据之间的相关性,并决定结果不够全面。(5)当许多现有癫痫检测系统应用于实际的临床数据,很难实现实验数据集上的性能结果;也就是说,检测系统的可靠性相对较低。基于上述研究现状和存在的问题进行分析,提出了一个使用多视图癫痫检测方法聚类算法和深度特性。本研究的具体贡献总结如下:(1)构建的原始多视图数据集癫痫脑电图。不同的脑电图分析方法被用来获得数据集的三个视角下光谱信号,时域信号,时域信号的脑电图(2)提取深度特性。使用深DCNN来提取深EEG信号的特性从3个角度,分别以获得深从每个角度特性。这个深特性识别癫痫有更好的能力。构建一个多视图数据集和深特性(3)多视图分类器训练。首先,介绍了多视图FCM聚类算法,使用训练样本训练每个视图的中心和重量。然后,每个视图的类中心和重量训练获得的用于计算视图加权加入新的预测样本的价值。最后,样本的分类标签

2。相关的工作

2.1。癫痫检测过程

癫痫患者的脑电图信号通常分为四个时期,即interseizure时期,preseizure时期,发作期和发作期后期。癫痫发作的间隔指的脑电图信号收集的癫痫患者发作时不发生。preseizure时期指的EEG信号,可能是癫痫即将发生时收集的。没有明确规定这一时期的长度和起始位置。发作期指的脑电图信号记录在病人的发作。晚期癫痫一般指EEG信号的收集当大脑处于恢复状态后癫痫已经结束。预测癫痫发作的过程通常可以分为以下步骤。第一步是预处理EEG信号。在第二步中,特征提取是减少样品进行预处理样品尺寸。第三步是使用训练样本训练分类器。 The fourth step is to use the trained classifier to classify the test samples to identify whether they are epilepsy patients. The detection flow chart is shown in Figure1。

2.2。脑电图信号及其特征

作为一种重要的工具,研究人员研究大脑功能,脑电图反映了大脑神经细胞的电活动组织在大脑皮层或头皮表面。脑电图记录获得的是连续的,自发的,有节奏的潜在的大脑神经细胞数量的变化,通过电极放置在大脑皮层或头皮。EEG信号的某些特征通常用作诊断脑部疾病的一个重要依据。因为它包含了大量的生理和病理信息,在临床医学方面发挥了巨大的作用,尤其是对癫痫的位置和描述。

当前主流的脑电图分析方法是时域分析方法(27- - - - - -29日),频域分析方法(30.- - - - - -33)、时间频率域分析方法(34,35),和非线性动力学方法(36- - - - - -39]。时域分析方法主要分析EEG信号的时域波形和提取波形特征时间和节奏等检测癫痫的基础。其直观性强,其物理意义是显而易见的。EEG信号的频域分析主要是基于傅里叶变换或功率谱估计。分析EEG信号的功率谱分布和脑电图信号在每个频带的组件。因为脑电图信号是随机和非平稳的,简单的时域分析和频域分析不能提供的联合分布信息脑电图信号在时域和频域,不能描述信号频率随时间的变化。因此,时频分析方法适合于非平稳的信号处理用于癫痫脑电图分析和特征提取。EEG数据通过不同的分析方法有不同的特点。常见的脑电图数据特性如表所示1。

3所示。深卷积神经网络

在1960年代,当休博尔和威塞尔研究了猫的大脑皮层,他们发现猫的神经元方向选择和当地敏感性形成一个独特的网络结构。这种结构大大减少了人工神经网络的复杂性和参数的数量40]。DCNN借鉴这种网络结构,形成一个独特的前馈神经网络。1998年,勒存等人提出了LeNet-5网络模型(41),但在很长一段时间之后,CNN的发展陷入停滞。2006年,辛顿和Salakhutdinov指出,功能与多个隐藏层神经网络的学习能力更强大的(42]。从那时起,DCNN不断提高研究人员的结构(43VGG等)和模型(44),谷歌网(45),和Res净46先后出现。与一般的神经网络相比,DCNN有四个重要特征:本地连接,共享权重,池层和更深层次的网络结构(47]。正是这些特点使DCNN有更多的优点比一般神经网络在处理多种类型的信号。

摘要DCNN模型用于癫痫患者的脑电图数据建模实现癫痫自动学习功能。实验中使用的DCNN结构如图2。卷积的DCNN模型主要由层和汇聚层,以及它们之间ReLu和辍学层可以插入来提高网络性能。

3.1。多视图集群

当前数据集通常有高维度和复杂性。复杂的数据集通常包含许多不同的、合理的聚类模式。例如,在文档数据分类,既有基于主题模型和写作风格。在电影分类,可分为根据电影的类型或根据电影的流派。基因分类,聚类可以基于基因的结构和功能。

当传统聚类算法分析数据,他们通常只关注单个集群模式的数据。理解数据从一个角度来看,我们不能有一个全面的分析和理解复杂的数据。这个问题已经逐渐引起了学者们的注意,促进了多视图集群的快速发展。多视图的聚类算法我希望多个不同的数据和合理的聚类结构。有两种基本的需求。(1)聚类结果质量高;也就是说,它可以捕获一些合理的内部结构中包含的数据集本身。(2)之间不存在冗余不同的聚类结果。从多个角度分析数据,发现数据中的多个不同的聚类模式。对比传统的单一视图集群和多视图集群示意图如图3(使用传统的FCM算法为例)。

4所示。该算法的介绍

4.1。算法框架

该算法框架如图4。首先,癫痫EEG数据从多个视图。傅里叶变换和小波变换被用来提取光谱信号,时域信号,脑电图数据的时间频率信号。其次,为每个视图信号,经典的DCNN用于自动特征提取,以减少每个视图的样品尺寸。在这个阶段,多视图癫痫EEG数据的深层特征。最后,基于非监督多视图的一种新的分类方法和聚类结果用于获得最后的决定的结果。

4.2。深特征提取

DCNN用于提取数据的特征从不同角度获取深谱特性,深刻的时域特性,深时间频率特性。构建一个多视图数据集癫痫脑电图基于深度的功能。DCNN模型时使用的结构提取深度特征从不同角度如表所示2。

4.3。多视图模糊聚类基于方法的脑电图分类器

是一个多视图数据集的观点。代表了 - - - - - -查看数据, 。的 行向量表示数据对象的特征向量在 - - - - - -th视图空间,在那里的特征维度吗 - - - - - -的角度。多视图FCM的目标函数如下:

参数是模糊指数,用于调整模糊隶属程度。 是会员矩阵,在哪里代表对象的隶属度属于 - - - - - -集群。 向量的吗 - - - - - -类中心。 ,在哪里代表的观点权重。 代表之间的欧氏距离和在 - - - - - -维空间;代表正则化参数。构造拉格朗日函数方程(2)如下:

这两个和拉格朗日方程的因素(2)。当方程的最小值(3),必须满足以下5个必要条件

通过求解方程(4)- (8),必要条件需要满足方程(1)获得约束下的最小值如下:

上面的迭代优化后的参数,我们可以用下面的公式来完成脑电图数据的分类。这是一个新的分类方法基于无监督多视点聚类的结果。具体分类模型如下: 在哪里通过方程(11),通过方程(10)。

算法执行步骤如下。

5。实验

5.1。实验相关的设置

为了验证该算法的有效性,实验主要从两个方面进行比较分析。(1)提出了基于无监督分类方法多视图聚类结果用于分析是否使用深特性,分类性能变化的趋势。这里使用的一般特征提取方法是主成分分析(48和乔治。49]。(2)深的特性,性能变化时使用单一视图分类器和多视图分类器。这里的比较算法主要包括FCM、SVM RBF-NN和多视图FCM。索引比较癫痫检测的性能(50)如表所示3。值越大的两个评价指标见表3,更好的算法的性能评估。

5.2。实验数据说明

脑电图数据库实验中使用来自弗莱堡大学医院的癫痫中心(德国51]。16例难治性局灶性癫痫,癫痫中心记录患者的颅内电极脑电图在癫痫术前使用侵入性监测。数据采集过程使用一个神经NT数字视频监控系统,可以记录128个频道的脑电图信号。这个系统使用一个16位模数转换器采样频率为256赫兹。脑电图信号预处理收集到的原始数据获取与23频道。实验中使用的数据的详细统计数据如表所示4。

5.3。实验结果分析

为了分析深度特征对分类性能的影响,分类器是固定的,和多视图FCM选择这里。分类器是用于处理特性数据通过不同的特征提取方法。实验数据表5处理后获得的聚类性能特性不同的特征提取方法提取的数据使用多视图的FCM算法。从表中的数据显示直观的反馈深度特性获得基于DCNN特征提取。在被处理的多视图FCM分类器,分类性能明显优于其他两种传统的特征提取方法。比较这两个传统的PCA特征提取方法和LDA, PCA的效果优于LDA,但比这更糟的影响深刻的特征提取。图5直观地显示了性能的比较在不同特征提取方法。

为了深入分析不同分类器的分类性能特性数据,本文选择三个单一视图分类器和一个多视图分类器。不同的分类器应用于深层的特性数据从不同的角度和从多个视角特性数据进行比较分析。表6比较不同算法的分类性能的深层特征不同的观点。从实验数据表中,可以观察到,在深三vseparate视角下的特性,时域上的分类性能深特性是最坏的打算。其中,谱下的深层特征的分类性能角度来看是最好的。不管视角的深度特性或深功能在多个角度来看,多视图FCM算法具有最好的分类性能。单一视角下的分类性能比的多视图数据,这进一步表明,多视图数据更丰富信息,更有利于分类处理。图6给出了一个视觉比较各算法的性能在不同的角度。

6。结论

本研究提出了一种新的基于无监督分类方法多视图聚类结果。首先,介绍了多视图FCM聚类算法,使用训练样本训练每个视图的中心和重量。然后每个视图的类中心和重量训练获得的用于计算视图加权加入新的预测样本的价值。最后,样本的分类标签。该方法的主要贡献如下:(1)深特性可以有效降低数据维度,同时增加数据分离性;(2)多视图数据的使用可以提高数据的丰富信息,决策结果更加稳定和健壮的;和(3)多视图的使用分类器改善了传统的单一视图分类器的分类性能。实验表明,该方法更自动化,智能化,效率比传统脑电图检测基于机器学习。

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或要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金项目(国家自然科学基金委,61902152)和江苏省自然科学基金(BK20180600)。