摘要癫痫检测脑电图使用深传输学习

文摘

脑电图(EEG)导入作用在监测癫痫患者的大脑活动和已被广泛用于诊断癫痫。临床阅读几十甚至上百小时的脑电图记录非常耗费时间。因此,癫痫的自动检测是非常重要的。但属于不同患者的EEG信号的巨大的多样性使得癫痫检测的任务更加具有挑战性,对人类专家和自动化的方法。我们提出三个深转移卷积神经网络(CNN)自动摘要癫痫检测、基于VGG16 VGG19和ResNet50分别。原始数据集CHB-MIT头皮脑电图数据集。我们使用短时傅里叶变换生成时频光谱图像作为输入数据集,而积极的增强是由于样品罕见的癫痫的性质。模型参数对ImageNet pretrained转移到我们的模型。和调整层,两个神经元的输出层二进制分类(癫痫或nonseizure),从头开始训练。然后,输入数据集随机打乱,培训分为三个分区,验证,分别和测试深度转移cnn。 The average accuracies achieved by the deep transfer CNNs based on VGG16, VGG19, and ResNet50 are 97.75%, 98.26%, and 96.17% correspondingly. On those results of experiments, our method could prove to be an effective method for cross-subject seizure detection.

1。介绍

癫痫,一个正常的大脑功能障碍的特点是存在的在大脑皮层同步异常放电,影响大约2%的世界人口,可能会危及他们的健康和生活。癫痫诊断总是通过分析脑电图(EEG),包括头皮脑电图和颅内脑电图。头皮脑电图信号已经被广泛研究,因为他们是相对便宜和容易获得。通常,19日记录电极和一个系统参考被放置在头皮上区域根据国际10 - 20体系规范。对于癫痫检测任务,应分析EEG信号决定彻底的癫痫发作的存在与否,这是一个广泛的临床经验和耗时的工作需要1]。由于相对较少的癫痫发作,长期脑电图记录是必要的,让视觉阅读EEG信号由人类专家的情况更糟。因此,计算机技术自动癫痫检测是急需的,也是一个关键的方法来节省时间和精力。

在以前的研究中,大量的检测算法提出了(2- - - - - -4]。从脑电图信号提取的特性来自时域、频域、时频分析(5,6),小波分析(7,8),等等。特征提取后,分类支持向量机等机器学习算法中常用的分类阶段(9]。例如,Subasi等人创造了一个混合模型来优化支持向量机参数,表明该混合支持向量机模型是一个称职的方法来检测使用脑电图癫痫发作(10]。

近年来,深度学习(DL)已经被证明是非常成功的在图像分类、目标检测和分割,表现出在人类能力执行很多任务。DL提取全球自动同步功能,不需要任何先验知识。黄等人提出了一种耦合神经网络对大脑医学图像(11,12)和深残余IVOCT图像分割网络分析(13]。同时,许多最近的研究证明深度学习的功效在EEG信号的分类和癫痫检测(14]。卷积神经网络(CNN),作为使用最广泛的深度学习模型中,总是使用。例如,王等人提出了一个14-layer CNN多发性硬化症识别(15]。对于癫痫检测任务,有两种方式使用原始的EEG信号的输入图像。一方面,部分原料脑电图信号直接与不同长度作为输入。Emami等人脑电图信号分为短段在一个给定的时间窗口和转换成图图像;每个被VGG16分类为“癫痫”或“nonseizure”[16]。他们的实验导致了中位数这样积极的CNN标记率为74%。另一方面,时间和频域信号从原料中提取EEG信号作为输入图像的CNN。周等人设计了一个CNN不超过三层检测癫痫发作,时频光谱图像作为输入,并达到平均精度93%17]。他们还比较了时域和时频域的性能,导致频域信号比时域信号有更大的潜力为CNN应用程序。虽然,深度学习尤其是CNN取得了举世瞩目的进步领域的脑电图分类和癫痫检测癫痫检测的性能还需要改进。来自两个方面的挑战。首先,培训如VGG16深度学习模型需要大量的标记数据。然而,大多数的EEG信号数据没有标记。在这项研究中,儿童医院的public-labeled头皮脑电图数据集马萨诸塞州理工学院(CHB-MIT,请参阅http://physionet.org/physiobank/dataset/chbmit(18])将被用作原始信号。由于癫痫发作相对较少的本质,将原始信号增强,避免极端不平衡的数据集进行训练。其次,脑电图信号与用户相关的。另一方面,Orosco建议癫痫患者特异性的战略检测脑电图信号的基于平稳小波变换和报道的平均的敏感性87.5%,特异性99.9%19]。挂等人提出了一个新颖的深度域适应网络视域脑电图信号识别基于CNN和使用的最大平均差异最小化分布差异源和目标对象(20.]。Akyol提出了一个基于叠加合奏深癫痫检测的神经网络模型。实验进行脑电图数据集来自波恩大学和结果,平均精度为97.17%和平均灵敏度为93.11% (21]。张等人提出了一个可辩解的癫痫发作检测模型的纯seizure-specific表示脑电图信号通过对抗训练,为了克服不同主题的差异(22]。

CNN模型像VGG16数以百万计的参数训练,更不用说像googLeNet更深层次的网络。学习出现了转移到解决这个问题,尤其是在实际的应用程序。学习转移总是pretrained模型,这是像ImageNet基准数据集上训练。pretrained模型可以提取通用的低级特征图像,可以极大提高使用效率的CNN。然而,pretrained模型应该调整以匹配目标数据集和它的目标。例如,邵等人创建了一个深转移CNN对故障诊断,在pretrained CNN模型用于加速训练过程(23]。

本文三个转移CNN模型,基于VGG16, VGG19, ResNet50,分别提出了癫痫检测。癫痫检测如图的流动1。让我们以VGG16为例。目标CNN网络由一个pretrained VGG16模型nontop层冻结层和调整。基于ImageNet pretrained模型使用的参数。调整前层包括一个输出层有两类:癫痫和nonseizure。

实验中,公共CHB-MIT脑电图数据集。生从FP2-F8 EEG信号,F8-T8 T8-P8电极转换时频光谱图像使用短时傅里叶变换(STFT) [24然后融合为一个图像,灵感来自[25]。融合图像来自不同人一起取的目标数据集。然后,深的目标数据集作为输入传递模型,进行跨学科癫痫检测。

本文的其余部分组织如下。部分2介绍了从CHB-MIT使用数据集。部分3详细描述了EEG信号时频光谱图像的转换过程,介绍了这三个深转移模型。部分4进行实验,给出了三种模式的比较。部分5讨论结果。部分6总结了论文总结。

2。数据集描述

本文中使用的数据集是一个开源脑电图从麻省理工学院生理网数据库,收集在波士顿儿童医院(CHB-MIT)。数据集由录音与棘手的癫痫儿童主题使用头皮电极。录音被分组为23例。每个案件包含9到42小时的连续记录从一个主题。所有受试者被要求停止相关的医学治疗前一周数据收集。所有科目的采样频率为256赫兹。癫痫发作的开始时间和结束时间标记明确基于专家判断。大多数记录包含23个脑电图渠道和多种癫痫发生。

癫痫发作的持续时间为每个主题非常不同。因此,一些录音只使用发作持续时间相对较长。的原因不包括所有的录音,录音低比例的发作持续时间导致不平衡的数据集和CNN会导致过度学习模型。

3所示。方法

在本节中,我们将原始的脑电图信号时频(t f)光谱图像利用STFT和组合来自不同渠道的三个t f图像作为输入图像,如图2。然后,深cnn转移提出了癫痫检测。

3.1。基于STFT的数据准备

短时傅里叶变换)是用于分析的频率内容如何随时间变化的非平稳信号。计算信号的STFT滑动窗口在信号的离散傅里叶变换和计算窗口的信号。窗口沿着时间轴移动在一个给定的时间间隔内,与重叠。通常,重叠的使用是为了弥补窗口边缘的信号衰减。

在形式上,STFT定义如下: 在哪里是原始的EEG信号,是一个窗口函数,然后呢是窗口在时间轴上的立场。

虽然,癫痫发作与用户相关的是,他们可能有一些共同点。根据(24),信号从FP2-F8、F8-T8 T8-P8电极相对突出。在本文中,我们利用这三个信号电极。和t f图像FP2-F8、F8-T8 T8-P8被视为红色,绿色和蓝色通道,分别,而将它们作为一个输入图像。

由于罕见的癫痫,阳性样品的数量应该增加以避免增加不平衡的数据集。在细节中,我们准备两个步骤的数据集。第一步,如图3(一个),对于每一个脑电图信号,我们沿着时间轴窗口长度为180秒的30%重叠。然后为每个窗口的部分中,我们使用STFT计算复振幅与时间和频率,在窗口采用STFT长413信号点,沿着时间轴有50%的重叠。这导致光谱图像的大小 ,207是采样频率的数量和224段的数量乘以。最后,频谱图像的大小 。当癫痫发作发生在窗口的部分,调整光谱图像标记阳性,否则负。第二步,如图3 (b)对每个EEG信号,让我们假定会发生癫痫发作的时间间隔 。让分割窗口开始和沿着时间轴一秒每一步,而且重叠 不少于3秒。然后,每个分割窗口转换为光谱图像的大小 如第一步。所有光谱图像在这一步是积极的。

为了避免不平衡数据集,只有EEG信号的主题05号08、11、12、13、14、15日,23日和24日相对长期的癫痫发作。这导致8474年的目标数据集的图像的大小 ,其中约49.5%是正面的标签。

3.2。深转移模型

pretrained模型是一个保存网络,以前在一个巨大的数据集,例如ImageNet。然后,我们可以用学习来定制这个模型转移到一个给定的任务。直观地说,如果一个模型是训练有素的大数据集和通用,这个模型可以提取底层特征和作为一个通用的视觉世界的模型。然后,我们可以使用这个模型来提取有意义的特性来自新样品和添加一个新分类器在其上做具体的分类,只有添加层应该从头训练数据集。转移学习也被证明是有效的在应用程序26,27]。

本文提出了三种深层转移模型进行比较:(1)基于VGG16深传输模型(称为模式1):深层神经网络VGG16用16层是一个著名的CNN模型介绍,2014年取得了惊人的性能在各种形象的任务。VGG16特点是小型过滤器,这是非常适合我们的目的检测癫痫和nonseizure之间的频率差。我们可以看到在图4(一)模式1,由转让VGG16和最高可训练的层。VGG16传输,输出层从原有的模式,使用ImageNet pretrained数据库。添加前可训练的层由两个可训练的完整的连接层和softmax输出层与两个神经元相应发作或nonseizure。(2)基于VGG19深传输模型(称为model 2): model 2几乎相同的结构模式1。这两个传输模型之间唯一的区别是一个用pretrained VGG16和其他使用pretrained VGG19。(3)基于ResNet50深传输模型(称为模型3):ResNet50是著名的残余神经网络之一,特点是利用快捷键跳过一些层。如图4 (b)模型3的第一部分是pretrained ResNet50没有最高层次。全球平均池之后,两个完整的连接层2048个神经元。输出是一个softmax输出层有两个神经元。

三个模型中使用的损失函数softmax交叉熵,定义为 在哪里和分别标记,并预测概率。

4所示。实验和结果

实验进行了评估的性能提出了深转移模型。测试平台是一个桌面系统与Nvidia RTX 2080 ti和64 gb内存运行Ubuntu。

4.1。培训深传输网络

被打乱后,目标数据集分为训练集、验证集和测试集,分别占60%,20%,和20%。

模型1和模型2几乎有相同的结构,所以他们的训练方法是相同的。让我们以模式1为例。的参数VGG16 pretrained ImageNet上转移到网络,将被冻结而训练。其他可训练的参数随机初始化。优化器是SGD学习速率为0.001 1的和一个小衰变 - - - - - -5。然后,网络训练和验证在训练集和验证集,分别与批处理大小为64。至于模型3,我们传递的参数ResNet50 pretrained也ImageNet通过培训并加以冻结。其他可训练的参数也随机初始化。培训优化器,亚当算法,开始学习速率为0.001,0.9 beta_1, beta_2 0.999。学习速率会减少0.8倍时验证损失已经停止下降5时代。然后,网络训练和验证在训练集和验证集,分别与批处理大小为16。这三个模型的时代将是500,但培训将停止确认损失并不是下降了20世纪。

4.2。结果和分析

统计评估措施分类性能包含准确性(acc),灵敏度(回忆),精密,马修斯相关系数(泥浆校正)。测量泥浆校正考虑真和假阳性和阴性,被认为是一个平衡的措施。泥浆校正方法1,预测就越好。在形式上,其定义如下: TP意味着真阳性,TN真正的负面,FP的假阳性、假阴性FN,然后呢总数是多少。

如图5,损失和模型1和模型2收敛精度后170时代。模型3的损失和准确性收敛后100时代。但指标,包括损失和准确性,深传输网络的基于VGG16 VGG19比那些基于ResNet50深传输网络。因为测试数据集随机选择从目标数据集,训练和测试过程进行10次,然后,所有指标的平均值。如表所示1,模型1的性能几乎一样的model 2。但是两个模型基于VGG比模型基于ResNet50(模型3)。

相比之下,不同大小的连接层的每个模型用于癫痫检测。所有实验都进行相同的训练,验证和测试数据集。结果如表所示2。

5。讨论

对于癫痫检测,常用的方法包括传统的SVM和现代的卷积神经网络。传统的方法依赖于时间和频率,方法基于频率更有能力和效率比时间。但频带应该定制特定的病人,这使得它很难推广这个方法不同的病人。在这项研究中使用的最新cnn是高度适合脑电图分类,因为他们可以选择特性自适应和自动。为了取的优势频率,我们使用时频图像作为输入数据集的cnn。

突出的CNN像VGG16数以千万计的参数。如果所有这些参数都是从头开始训练,数以百万计的图像需要确保网络可以选择功能正常。这么多图片的需求可能是几乎不可能满足由于罕见的癫痫发作的性质。另一方面,图像从ImageNet和时频图像低级共同的普遍特征。我们把参数pretrained ImageNet模型,提取通用功能,和火车从头完整的连接层的参数。

大多数现有文献对癫痫检测患者,病人的需要先验知识。在这项研究中,深转移模型,通过使用CHB-MIT脑电图数据集与原始信号,patient-independent。t f图像从不同的物体放在一起,随机选择的测试数据集。相比较而言,三种转移模型基于VGG16, VGG19, ResNet50,分别提出了。实验来评估他们的表现进行跨学科的癫痫检测。生成详细的输入数据集,从原始信号,由8474 t f图像。正到负样本的比例增大后几乎是一比一。然后,所有三个转移模型训练,验证,测试我们的增广数据集。的平均精度为97.95%、98.26和96.17%,分别。

然而,在最初的脑电图数据集,并不是所有的信号,由于癫痫发作持续时间短。这些情况并不罕见。因此,癫痫检测的方法包括将在未来解决的对象。氮化镓可能选择来解决问题,利用生成模型。

6。结论

这项研究给了音乐学的方法来检测癫痫脑电图,利用深转移学习。三个深转移模型提出了基于VGG16, VGG19和ResNet50分别。实验评价模型执行CHB-MIT脑电图数据集,而不需要去噪EEG信号。在相同的数据集,实验的三个模型用不同大小的全连接层进行了比较。在未来,我们计划将这种方法扩展到脑电图信号与癫痫发作持续时间相对较短。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作的部分支持由福建的青年教师教育和研究基金(批准号JAT191152)。

引用

1. s . r . Benbadis”上了脑电图和错误的诊断癫痫的悲剧,”专家审查的神经病治疗,10卷,不。3、343 - 346年,2014页。视图:出版商的网站|谷歌学术搜索
2. l . Orosco a·g·科雷亚,e . Laciar”点评:自动癫痫检测的性能和技术的调查,“医学和生物工程杂志》上,33卷,不。6,526 - 537年,2013页。视图:谷歌学术搜索
3. t . n . Alotaiby s . a . Alshebeili t . Alshawi艾哈迈德,和f . e . Abd el-Samie“脑电图癫痫检测和预测算法:一项调查,“EURASIP在信号处理的发展》杂志上,卷2014,不。1,2014。视图:出版商的网站|谷歌学术搜索
4. s . n . Baldassano b h . Brinkmann h .) et al .,“众包癫痫检测:算法开发和验证人类植入设备上录音,”大脑,卷140,不。6,1680 - 1691年,2017页。视图:出版商的网站|谷歌学术搜索
5. k . s . Anusha m·t·马修斯,s . d . Puthankattil”分类正常和癫痫EEG信号的使用时间和频域特性,通过人工神经网络”2012年国际会议上提出在计算和通信IEEE,页98 - 101年,2012年。视图:谷歌学术搜索
6. x z . k .高,Cai, y, n .董和s . s .,“可见性图表从自适应最优内核时频表示分类的癫痫样的脑电图,”国际期刊的神经系统,27卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
7. h·埃德里、z周和n . Dadmehr”分析癫痫患者的脑电图记录使用小波变换时,“神经科学杂志》上的方法,卷123,不。1,第87 - 69页,2003。视图:出版商的网站|谷歌学术搜索
8. h·埃德里,美国Ghosh-Dastidar和n . Dadmehr”wavelet-chaos方法分析脑电图和脑电图部分波段探测癫痫和癫痫,”IEEE生物医学工程,54卷,不。2、205 - 211年,2007页。视图:出版商的网站|谷歌学术搜索
9. e . Gysels p Renevey, p . Celka”基于svm的递归特性消除比较宽带和窄带EEG信号的相位同步计算脑-机接口,“信号处理,卷85,不。11日,第2189 - 2178页,2005年。视图:出版商的网站|谷歌学术搜索
10. a . Subasi j . Kevric和m . a . Canbaz“癫痫发作检测使用混合动力机器学习方法,“神经计算和应用没有,卷。31日。1,第325 - 317页,2019。视图:出版商的网站|谷歌学术搜索
11. 黄,x, y局域网et al .,“混合活动轮廓分割方法对心肌D-SPECT图像,”IEEE访问》第六卷,第39343 - 39334页,2018年。视图:出版商的网站|谷歌学术搜索
12. 黄c . c . Wang j .通l . Zhang f . Chen和y,“自动定量分析bioresorbable血管支架struts在光学相干断层扫描图像,采用区域增长”医学成像和卫生信息学杂志》上,8卷,不。1,第104 - 98页,2018。视图:出版商的网站|谷歌学术搜索
13. f . c .黄y Peng Chen等人“深分割网络基于注意机制的多尺度特征融合IVOCT腔轮廓,“IEEE / ACM事务计算生物学和生物信息学,p . 2020。视图:出版商的网站|谷歌学术搜索
14. c .黄g .田y局域网et al .,“一个新的脉冲耦合神经网络(相)大脑打乱青蛙跳跃授权的医学图像融合算法,”神经科学前沿,13卷,2019年。视图:出版商的网站|谷歌学术搜索
15. c . s . h . Wang, j .太阳et al .,“多发性硬化症14-layer鉴定与批处理规范化卷积神经网络,辍学,和随机池”神经科学前沿,12卷,2018年。视图:出版商的网站|谷歌学术搜索
16. a . Emami n . Kunii t松尾t . Shinozaki k . Kawai h .高桥,“卷积神经网络分析癫痫检测的头皮脑电图情节图像,”科学杂志:临床,22卷,2019年。视图:出版商的网站|谷歌学术搜索
17. m·周c .田曹r . et al .,“癫痫发作检测基于EEG信号和CNN,“Neuroinformatics前沿,12卷,2018年。视图:出版商的网站|谷歌学术搜索
18. a . l . Goldberger l·a·n·阿马拉尔l .玻璃et al。”Physiobank、physiotoolkit和生理网:组件的一个新的研究资源对于复杂的生理信号,”循环,卷101,不。23日,pp. e215-e220, 2000年。视图:出版商的网站|谷歌学术搜索
19. l . Orosco a·g·科雷亚p . Diez大肠Laciar,“病人非特异性头皮脑电图的癫痫检测的算法,”计算机在生物学和医学卷,71年,第134 - 128页,2016年。视图:出版商的网站|谷歌学术搜索
20. w .挂,w·冯·r·杜et al .,”视域脑电图信号识别使用深度域适应网络,”IEEE访问7卷,第128282 - 128273页,2019年。视图:出版商的网站|谷歌学术搜索
21. 基于k . Akyol”叠加合奏深层神经网络建模有效检测癫痫发作,”专家系统与应用程序,第148卷,第113239页,2020年。视图:出版商的网站|谷歌学术搜索
22. 张x l .姚明,m .东张y, z . Liu, y,“对抗表示学习强大的独立的癫痫发作病人检测,”IEEE生物医学和卫生信息学杂志》上,p . 2020。视图:出版商的网站|谷歌学术搜索
23. 邵,s . McAleer r .严,p . Baldi”高度精确的机器故障诊断使用深传输学习,”IEEE工业信息,15卷,不。4、2446 - 2455年,2019页。视图:出版商的网站|谷歌学术搜索
24. n·j·史蒂文森,k . Tapani l . Lauronen和s . Vanhatalo”数据集的新生儿脑电图记录发作注释,“科学数据》第六卷,没有。1,2019。视图:出版商的网站|谷歌学术搜索
25. 毛黄c . y .周x et al .,“融合的光学相干断层扫描和血管造影支架后bioresorbable冠状动脉的血流动力学数值模拟基于特定的模式,”计算机辅助手术,22卷,不。sup1, 127 - 134年,2017页。视图:出版商的网站|谷歌学术搜索
26. h·r·h·c·Shin罗斯,m高et al .,“深卷积神经网络计算机辅助检测:CNN架构,数据集特征和转移学习,”IEEE医学成像,35卷,不。5,1285 - 1298年,2016页。视图:出版商的网站|谷歌学术搜索
27. Y.-D。张董z、x Chen等人“基于图像的水果类分类13-layer深卷积神经网络和数据增加,”多媒体工具和应用程序,卷78,不。3、3613 - 3632年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Baocan Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。