一种新型的深层神经网络癫痫发作的稳健检测中的应用EEG信号

抽象

记录癫痫发作活动的脑电图（EEG）区段检测对于癫痫发作的分类关键。手动识别是一个费时，费力的过程，地方上的神经学家一个沉重的负担，因此，癫痫的自动识别已成为一个重要的问题。传统的脑电图识别模型在很大程度上依赖于人工经验，为弱泛化能力。为了打破这些限制，我们提出了鲁棒的检测癫痫发作的，其构成三个卷积块和三个完全连接层的新颖的一维深神经网络。到其中，每个卷积块包括五种类型的层的：卷积层，批标准化层，非线性激活层，漏失层，和max-池层。模型性能的波恩数据集大学，达到97.63％~99.52％的准确度在二分类问题进行评估，96.73％~98.06％，在三级分类脑电问题，并在分类93.55％的复杂五类问题。

1.简介

脑电图(EEG)是一种无创、有效的技术，用于临床研究，以解码脑电活动。脑电图是识别大脑异常的关键技术之一，如检测癫痫发作。癫痫发作是由异常的大脑神经元和过度的超同步放电引起的短暂的神经功能障碍。脑电图的视觉检查是专家神经学家诊断癫痫发作的一个费时费力的过程，由于脑电图数据量大，不同神经学家的临床判断标准不一，诊断可能不准确[1个,2个]. 因此，基于EEG的癫痫自动检测的科学研究备受关注。

许多算法已经在文献中提出了用于癫痫发作的自动检测。这些方法可大致分为两类：常规方法和深learning-（DL-）为基础的方法。向其中，大部分传统方法使用从EEG信号特征提取，然后用分类识别相合手设计的技术。波恩大学EEG数据库被广泛使用，这是公开可用的，并标记为A，B，C，d，和数据集的E.细节在后面的章节中描述。有使用波恩数据集癫痫检测备受发表的作品。它们涉及三个主要分类问题：两舱癫痫检测问题重在nonseizures和癫痫发作的分类;三个级癫痫分类问题集中于三个不同类别的EEG（正常，发作，和发作）分组;和五类识别问题集中在5种不同类型（A，B，C，d，和E）的分类。

2009年，Ocak [三提出了一种方案，用于检测基于近似熵和离散小波EEG信号的癫痫发作变换（DWT）。该框架获得的96％为二类别分类EEG的精度。此外，Tzallas等。[4个演示了时频分析(TFA)对癫痫发作的脑电图片段进行分类的适用性。采用人工神经网络(ANN)作为分类器，两类和三类分类准确率均为100%，五类分类准确率为89%。2010年，Subasi和Ismail Gursoy [5个]采用主成分分析、独立成分分析、线性判别分析等方法对脑电信号进行降维处理，从小波变换中提取统计特征，然后利用支持向量机（SVM）进行分类。该模型对二级分类的癫痫发作检测准确率为100%。2011年，Orhan等人。[6个]所用的K-means算法，从小波系数簇，然后分级的多层感知器神经网络（MLPNN）。这个模型产生的2级和3级的分类即分别为100％和96.67％，最大的精确度。在2012年，阿查等。[7个提出了一种方法用于正常，发作，和发作类别从EEG信号的自动检测。他们萃取四次熵特征，然后送入模糊分类。这种方法实现了98.1％的准确度。在2014年，卡亚等。[八]利用一维局部二值模式（1-D-LBP）从原始脑电信号中提取特征，并分别与Bayes网、支持向量机、神经网络、logistic回归（LR）和功能树（FT）等五种分类器相结合。性能最好的分类器是Bayes网络分类器，两类和三类分类的最大准确率分别达到99.5%和95.67%。最差的分类器是LR分类器，两类和三类分类的最大准确率分别为96.50%和66.67%。2015年，Sharma和Pachori[9个]提出了一种基于对癫痫发作和无癫痫发作EEG信号的分类相空间表示中的特征。他们使用了最小二乘支持向量机作为分类器，这给了98.67％的准确度。在2016年，Sharmila和Geethanjali [10]研究了两种级癫痫检测的14个不同的组合的性能。他们雇用朴素贝叶斯（NB）和k近邻（KNN）分类器用于从DWT导出统计特征和NB分类器获得的100％的准确度在分类的健康眼打开和癫痫EEG数据。2017年，张和陈[1个]采用局部均值分解（LMD）将原始脑电信号分解为若干个乘积函数（PFs），然后将特征输入到五个分类器中。研究结果表明，用遗传算法优化的支持向量机（GA-SVM）是性能最好的分类器，平均分类准确率达到或高于98.1%。Bhattacharyya等人。[11]利用可调Q小波变换（TQWT）将信号分解为若干子带，并从各子带中累积估计K近邻熵（KNNE），计算出基于Q的熵，并采用基于包装器的特征选择方法的支持向量机分类器作为分类器。该方法对二级分类和三级分类的最大效率分别达到100%和98.6%。Zahra等人。[12提出了一种基于数据驱动的多变量经验模式分解(MEMD)算法对5类脑电分类的方法。采用ANN作为分类器，准确率达到87.2%。

这些常规的癫痫检测方法使用手工技术从脑电信号中提取特征。许多传统的方法在一个问题上表现出很好的准确性，但在另一个问题上却没有表现出很好的准确性[2个]。例如，他们确定nonseizure和扣押的情况下（这两个类分类问题）以优异的精度，但显示了检测三级癫痫分类的表现不佳。深度学习是机器学习的一个新的研究方向是自动学习的内在规律和样本数据的功能。由于两个现有的数据和硬件的计算能力的不断提高，深度学习已经与日益增加的精度解决日益复杂的应用[13–15]。最近，基于深度学习方法自动检测癫痫发作得到重视。

在2018年，阿查等。[16]实施了13层深的卷积神经网络（CNN）算法来检测正常，preictal，和癫痫发作的类。该模型包括五个卷积（CONV）层，五MAX-池层，和三个完全连接（FC）的层。这种三类检测问题，它实现的分别88.67％，90.00％，和95.00％，准确性，特异性和灵敏度。此外，乌拉等。[2个]提出了一种基于金字塔一维卷积神经网络模型集成的癫痫自动检测系统。该系统的核心部件是一个金字塔型一维卷积神经网络（P-1D-CNN）模型，它由三种主要的层组成：Conv层、批处理规范化层和FC层。P-1D-CNN模型的分类性能不是很理想。因此，在P-1D-CNN模型的最后阶段引入了多数投票（M-V）模块，大大提高了算法的性能。在几乎所有涉及癫痫检测问题的二级和三级病例中，其准确率为99.1   0.9%。2019年，土耳其人和奥泽尔登[17]将连续小波变换（CWT）应用于五类脑电记录，得到二维频率-时间尺度图，并利用CNN结构学习尺度图图像的性质。在所有涉及癫痫发作的二类、三类和五类分类问题上，其识别率分别为98.5%∼99.5%、97.0%∼99.0%和93.6%。此外，Hussein等人。[18]引入了一个深-长-短期记忆（LSTM）网络来学习不同EEG模式的高级表示，使用一个FC层来提取与癫痫发作相关的最稳健EEG特征。该模型对二类、三类和五类问题的分类精度达到了100%。

尽管使用CNN模型上述所取得的令人鼓舞的癫痫检测结果，多次改进仍然可以实现。首先，一些CNN车型都有相对单一的模式结构。第二个问题是提供样品，这是不够的训练深层神经网络模型的小数目。因此，我们认为动机开发用于与原始EEG信号有效地检测癫痫发作CNN的模型。为了解决这些问题，首先，我们添加BN层和辍学层到传统的卷积块学习的功能，可以在有效地检测癫痫发作帮助。二，上游脑电图的部分分成许多不重叠的块，以增加样本数量的训练和测试，可以使用现有的数据量小的完全训练深层模型帮助。研究结果表明，所提出的方法是在检测使用EEG信号癫痫发作是有利的。

2.材料和方法

2.1。脑电图数据集的说明

我们的癫痫识别实验是利用波恩大学广泛使用和公开提供的EEG数据库进行的[19]。该数据库由五个不同的子集（组A-E）表示为Z，O，N，F，和S设置A和B是由健康志愿者的表面脑电图记录在觉醒状态与眼睛打开和闭眼分别。在另一方面，集合C，d和e均为癫痫患者聚集。向其中，集C和d期间无发作间隔记录。组C由海马结构的大脑半球相对的记录。集d从痫区中记录。集E只包括发作活动。Each of these sets contains 100 single-channel recordings of EEG signals with a sampling rate of 173.61 Hz and a duration of 23.6 s. The corresponding time-series is sampled into 4097 data points. Besides, the Rochester Institute of Technology divided every 4097 data points into 23 chunks. Each chunk contains 178 data points for 1 second (https://archive.ics.uci.edu/ml/datasets/癫痫+癫痫发作+识别). 为了增加训练深度模型的样本数，采用这种格式的波恩数据集，样本量增加了22倍。因此，每一类的数目有2300个EEG样本。五种脑电信号样本如图所示1个.

2.2条。拟议网络的结构

深度CNN模型[20]能够自动学习脑电信号的特征，并进行端到端的分类。本文提出的CNN整体架构如图所示2个，它可以执行特征提取和分类。首先，输入一维原始EEG数据被归一化到零均值和单位方差。然后，三个卷积块被采用学习EEG信号，其中每个块由五层组成的特征。详细地，所述第一层的多个计算卷积并联以产生一组的线性活化应答。第二层是BN，这是用来解决该内部变量移位。每个线性致动响应通过在层非线性激活函数。在这项工作中所用的激活函数是线性整流单元（RELU）21]。在第四层，漏失技术[22]用于防止过度装配。块的最后一层是最大池层，它引入了平移不变性。在该结构中，第二和第三卷积块与第一卷积块相似。

在第三卷积块的末尾，特征映射被展平成一维向量，该一维向量连接到FC层以集成特征。前两个FC层使用ReLU作为激活函数，然后是退出层。第三FC层应用softmax作为激活函数，其将输出对应于每个类别的概率向量。为了选择更好的模型参数，我们探索了8种不同规格的模型。详细内容在实验结果和讨论部分描述。在本研究中，我们选择M7型。桌子1个显示了该CNN结构的细节。

2.3条。卷积运算

卷积神经网络(CNN)是一种设计用来处理具有相似网络结构的数据的神经网络。图像可以看作是一个二维像素网格。同样，时间序列数据可以看作是在时间轴上定期采样形成的一维网格。传统CNN的convolutional block包括三层:convolution, activation function, pooling。对于本文使用的一维EEG数据，卷积运算如下:

卷积网络具有稀疏交互的特点。因此，这意味着需要存储的参数更少，这不仅减少了模型的存储需求，而且简化了计算。同时，卷积核共享的参数保证了我们只需要学习小很多数量级的参数。卷积是一种特殊的线性运算，激活函数将非线性特性引入到网络中。修正线性单元函数(recfied Linear Unit, ReLU)是CNN中最常用的激活函数，它克服了消失梯度问题，使模型学习更快，表现更好。方程(2个)显示ReLU函数：

池函数可以减少表示的空间大小，从而减少网络中的参数和计算量。它替换系统在特定位置的输出。例如，max pooling在几个邻居中给出了最大值。池还可以帮助使表示近似地对输入的小转换保持不变。

2.4条。BN的计算

在这项研究中，BN层和漏失层被添加到传统的卷积块。当训练深层神经网络，每一层的参数密切相关，对方。在层投入的分配的不一致会导致一个问题，所谓的内部协变量移。和内部变化转变使得我们很难选择合适的学习速率。为了解决这个问题，约费和Szegedy [23]开发BN技术，几乎可以reparametrize什么深刻的网络，显著减少多层之间协调更新的问题。该技术采用归一化作为模型体系结构的一部分，并且归一化每个小批量。

在训练期间，BN计算由在反向传播的小批量响应H的样品平均值和标准偏差 其中的保持在一个很小的正值，并且仅仅是为了避免在真实标准差为零的情况下梯度变得不确定。它们被用来规范化小时通过

BN也在加快训练阶段和防止过度拟合的融合是非常有用的。该技术已成为一种普遍的做法，和细节中可以找到[23]。因此，我们在每个卷积层后使用BN。

2.5。特征融合和分类

深神经网络需要学习大量的参数，这可能导致在小数据集的情况下，过度拟合。为了解决这个问题，作者[22]开发了辍学技术以防止特征检测器的共适应。退学的关键思想是在训练过程中随机地从神经网络中删除具有预定概率的单元（以及它们的连接）。与其他正则化方法相比，它显著减少了过度拟合，并给出了显著的改进。在所提出的模型中，我们在每个ReLu激活函数之后添加了退出布局。

最后卷积块的输出代表了EEG信号的高级别功能。在完全连接层是学习的这些特征的非线性组合的通常的方法。在过去的MAX-汇聚层的所有神经元与第一FC层的所有神经元的连接。我们使用了三个FC层。The number of neurons in the final FC layer (FC3) relies on the detection problem, e.g., for the two-class, three-class, and five-class epileptic classification problem, the number of neurons in FC3 is 2, 3, and 5, respectively.

softmax激活函数是logistic回归二元形式的推广。它通常应用于深层神经网络的最后一层，以构成类标签上的分类分布，并获得属于标签的每个输入元素的概率。softmax函数，表示为 ,定义为5个)，表示我-th样品（用 )属于每个类别： 哪里为softmax模型参数。

2.6条。CNN模型的训练

训练该模型需要从脑电数据中学习权值参数。为了学习这些参数，我们采用了传统的以交叉熵为损失函数的反向传播算法。同时，采用基于一阶矩和二阶矩自适应估计的随机梯度下降法和Adam优化算法。Adam算法的超参数有：学习率（0.0005）、beta1（0.9）、beta2（0.999）。该模型在深度学习lib库中实现，该库位于TensorFlow之上。在这项工作中，批量大小选择100，用于每次培训更新。为了比较性能指标，我们用300个阶段对所有模型进行了训练。

2.7条。绩效指标

为了进行评估，我们采用了众所周知的性能指标，如准确性（Acc）、精密度（Pre）、灵敏度（Sen）和特异性（Spe）F1。其中，准确度是文献中最常用的度量之一，它定义为正确分类的样本与样本总数的比率。这些性能指标的定义如下： 其中TP（真阳性）是异常脑电图记录，这被正确识别为异常的数量;TN（真阴性）是被正确预测为正常正常EEG病例数;FP（假阳性）是被预测为异常正常EEG病例数;和FN（假阴性）是不正确地分类为正常异常脑电图记录数。

为了减少小规模测试数据集引起的测试误差估计的统计不确定性，我们采用10倍交叉验证进行评估。将每个类别的2300个脑电图信号随机分为10个不重叠折叠。在我个测试中，我-脑电信号的第1倍用于测试，其余9倍用于训练。本文报告的准确度、敏感性和特异性值是从10项评估中获得的平均值。

三。实验结果与讨论

数据集按照不同的组合进行分组，以探索一种通用分类模型，该模型分为两类（非惊厥和癫痫发作）、三类（正常、发作间期和发作间期）和五类（a、B、C、D和E）。为了选择更好的模型参数，我们考虑了8种不同配置的模型。

3.1条。选型

我们探索了不同参数的模型，包括接受区大小、神经元数量和FC层的退出概率，以进行比较。以五类分类问题为例，采用10倍交叉验证的实验结果如表所示2个.

实验结果表明，实验参数内，在FC层感受域和多神经元的较大尺寸使识别更有效。的20％在FC层漏失概率比的50％的比率更为有效。因此，模型M7的参数性能最好用于两个级和三级分类与各种组合的实验。

3.2。该模型的性能

一个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被列为一个混淆矩阵，其反映每个类别的原始和预测的标签。表三显示分类正常（B）与发作前（D）与癫痫发作（E）的混淆矩阵和评价指标，以及总体分类结果。所有指标均在96%以上，特别是特异性，在各分类中均在98%以上，总体分类。

要检查该模型的稳健性，我们测试了20种组合。的10倍交叉验证的结果详细示于表4个，其中平均精度用作总体精度。两类分类的准确率在97.63%～99.52%之间，其中A、E分类的准确率最高，D、E分类的准确率最低，三类识别的准确率在96.73%～98.06%之间。值得注意的是，B、D、E的分类准确率高达98.06%，五级分类问题比二级和三级分类问题更复杂、更难解决，但在众多临床应用中具有优势，该模型仍能获得93.55%的总体准确率。该模型适用于波恩数据集的各种分类问题，具有较强的泛化能力。

3.3。与以往的研究比较

文献中提出了许多利用波恩脑电数据库自动检测癫痫发作的方法。桌子5个显示各种分类问题与他们这项工作的识别率的比较结果。二进制分类问题是识别nonseizures和癫痫发作的问题。健康志愿者和癫痫发作的分类是A与E，B与E，和AB与E.由于这种分类的显著差异，各种方法的分类结果显示在表5个通常突出，所有99％以上。的分类精度发作和发作（C与E，d相对于E和CD与E）比所述第一二元分类略低。特别地，这两组d和e是从痫区;因此，它是难以区分。在表的常规方法5个，Zhang等人。[1个]所获得的最好的性能，这就实现98.1％的准确度。在基于CNN技术，乌拉等。[2个]采用CNN和多数表决模块进行分类，并获得99.4％的准确度。土耳其和奥泽登[17]使用CWT和CNN来识别并取得98.50％的准确度。这项工作的提出的模型只是采用CNN并获得97.63％的准确度。

这三个类别分类问题进一步细分脑电图记录，以区分正常，发作，发作和脑电图。我们比较了两种类型的三级问题（B与d与E和AB与CD相对于E）。该模型也取得了良好的业绩。特别是在乙与d与E的情况下，其性能达到了98.06％的最佳精度，这显然是优于另一个模型[16只基于CNN。

五类分类问题较为复杂，且难度比两舱和三个级对问题进行分类。它需要识别属于同一类EEG历元之间的区别（例如，组A和B，它们都是垂直;设置为C和d，它们都是发作）。因此，在文学，比较，提出了一些方法，同时解决这三种类型的问题。所提出的模型CNN达到93.55％，这是非常接近特克Ozerdem [结果的精度17而且比传统的方法更好。

实验还需要在降低学习率，增加时代的数量，这无疑会增加癫痫识别的准确度，但是，在同一时间，将花费更多的时间进行培训实施。对于训练样本数量有限，我们也可以尝试以增强数据集，这可能是模型的泛化能力非常有用。例如，我们可以将EEG数据的23.6秒成许多重叠的块，以进一步增加采样的数目。

4。结论

癫痫发作的稳健检测一种新的模型已经被提出，其中有两个级，三级和五级分类问题的交易。基于所述一维卷积神经网络模型，它接受原始EEG信号作为输入所提出的方法已被开发出来。为了提高模型的学习能力，国阵和辍学层已被引入到传统的卷积块。为了解决小数据集的问题，脑电图已被分成许多不重叠的块进行训练和测试。实验结果表明，该模型以及执行上的波恩集各种EEG分类问题。

数据可用性

用于支持本研究结果的数据可根据要求从相应的作者处获得。

利益冲突

作者声明他们没有利益冲突。

致谢

这项工作是由教育和科学研究项目的福建省（JAT191153和JT180872），上海的国家自然科学基金，中国（19ZR1455200）和中国国家自然科学基金青年和中年教师（11601339支持）。

参考

1. 张天成、陈文伟，“基于LMD的脑电信号支持向量机自动检出方法”，IEEE神经系统与康复工程汇刊，第25卷，第8期，第1100-1108页，2017年。查看在：出版商网站|谷歌学者
2. 乌拉，M.侯赛因，e - u - h。Qazi和H. Aboalsamh，“基于深度学习方法的脑电图脑信号癫痫自动检测系统，”与应用专家系统，第107卷，第61-71页，2018年。查看在：出版商网站|谷歌学者
3. H、 Ocak，“用离散小波变换和近似熵自动检测脑电癫痫发作”与应用专家系统卷。36，没有。2，第二○二七年至2036年，2009年。查看在：出版商网站|谷歌学者
4. a.t. Tzallas, m.g. Tsipouras和d.i. Fotiadis，“使用时频分析的脑电图中癫痫发作的检测，”IEEE交易信息技术在生物医学卷。13，没有。5，第703-710，2009。查看在：出版商网站|谷歌学者
5. A、 Subasi和M.Ismail Gursoy，“使用PCA、ICA、LDA和支持向量机的脑电信号分类”与应用专家系统，第37卷，第12期，第8659-8666页，2010年。查看在：出版商网站|谷歌学者
6. U、 Orhan，M.Hekim和M.Ozer，“使用K-均值聚类和多层感知器神经网络模型的脑电信号分类”与应用专家系统，第38卷，第10期，第13475-134812011页。查看在：出版商网站|谷歌学者
7. U. R.阿查，F.莫里纳尼，S. V. SREE，S. Chattopadhyay在K.-H.伍，和J. S.苏瑞，“使用熵癫痫EEG的自动诊断，”生物医学信号处理与控制，第7卷，第4期，第401-408页，2012年。查看在：出版商网站|谷歌学者
8. Y.卡亚，M. Uyar，R.特勤和S.勒姆，“癫痫EEG信号的分类1D-局部二元模式基于特征提取，”应用数学与计算卷。243，第209-219，2014。查看在：出版商网站|谷歌学者
9. R. Sharma和R. B. Pachori，“在EEG癫痫发作的分类信号基于的基本模式相空间表示，”与应用专家系统，第42卷第1期。3、2015年第1106-1117页。查看在：出版商网站|谷歌学者
10. A. Sharmila和P. Geethanjali，“基于DWT的朴素贝叶斯和k-NN分类器从脑电图信号中检测癫痫发作，”IEEE接入，第4卷，第7716-7727页，2016年。查看在：出版商网站|谷歌学者
11. A.巴氏，R. Pachori，A. Upadhyay等人，“可调-Q小波变换基于多尺度熵度量癫痫EEG信号的自动分类，”应用科学卷。7，没有。4，文章ID 385，2017。查看在：出版商网站|谷歌学者
12. A、 Zahra，N.Kanwal，N.ur Rehman，S.Ehsan和K.D.McDonald Maier，“使用多变量经验模式分解从脑电图信号中检测癫痫发作”生物医学计算机，第88卷，第132-141页，2017年。查看在：出版商网站|谷歌学者
13. Y. LeCun，Y. Bengio和G韩丁，“深度学习”性质，第521卷，编号7553, 436-444页，2015查看在：出版商网站|谷歌学者
14. 黄昌昌，兰玉英，徐国等，“基于IVOCT腔轮廓注意机制的多尺度特征融合深度分割网络”，IEEE/ACM计算生物学和生物信息学汇刊,2020年。查看在：出版商网站|谷歌学者
15. M.李，S.董，Z. Gao等人，“用于解释多视图序列的超声心动图不具有时间信息的统一模型，”应用软计算，第88卷第106049条，2020年。查看在：出版商网站|谷歌学者
16. U、 R.Acharya，S.L.Oh，Y.Hagiwara，J.H.Tan和H.Adeli，“利用脑电信号自动检测和诊断癫痫的深卷积神经网络”生物医学计算机，第100卷，第270-278页，2018年。查看在：出版商网站|谷歌学者
17. O. Turk和M. S. Ozerdem，“使用基于scalogram的卷积神经网络从脑电图信号进行癫痫检测，”脑科学，第9卷，第5期，文章编号115，2019年。查看在：出版商网站|谷歌学者
18. R、 Hussein，H.Palangi，R.K.Ward和Z.J.Wang，“使用脑电信号稳健检测癫痫发作的优化深层神经网络结构”临床神经生理学卷。130，没有。1，第25-37，2019。查看在：出版商网站|谷歌学者
19. R、 G.Andrzejak，K.Lehnertz，F.Mormann等人，《脑电活动时间序列中非线性确定性和有限维结构的适应症：对记录区域和脑状态的依赖》物理评论è卷。64，没有。6，文章编号061907，2001年。查看在：出版商网站|谷歌学者
20. Y、 LeCun，“综合和网络设计策略”，in联结透视， 143-155页，爱思唯尔，苏黎世，瑞士，1989。查看在：谷歌学者
21. 五、 Nair和G.E.Hinton，“校正线性单元改进受限Boltzmann机器”，in机器学习国际会议论文集（ICML）2010年6月，以色列海法，807-814页。查看在：谷歌学者
22. N.塔瓦，G韩丁，A Krizhevsky等人，“差：一个简单的方法来阻止神经网络过度拟合”。机器学习研究杂志卷。15，没有。1，第1929至1958年，2014。查看在：谷歌学者
23. S.约费和C. Szegedy，“批正常化：通过减少内部协变量移加速深网络训练，”在第32届国际会议上机器学习国际会议论文集卷。37，第448-456，里尔，法国，2015年7月。查看在：谷歌学者

版权

版权所有©2020 Wei Zhao等人。这是一篇在知识共享署名许可协议，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。