文摘
癫痫是一种慢性非传染性的疾病造成的突然大脑神经元异常放电,从而导致间歇性脑功能障碍。它也是世界上最常见的神经系统疾病之一。自动检测通过机器学习基于脑电图的癫痫,相关分析和时间频率分析中发挥着重要作用癫痫早期预警和自动识别。在这项研究中,我们提出一个方法来实现脑电图癫痫识别通过三重基因对抗网络(甘)。TripleGAN用于脑电图时间域、频率域,分别和时间频率域。通过CHB-MIT数据集进行了实验,这在世界上同行业的最新水平。CHB-MIT数据集的分类精度、灵敏度、特异性超过1.19%,1.36%,和0.27%,分别。crossobject比率超过0.53%、2.2%和0.37%,分别。这表明TripleGAN的建立了深厚的学习模式有很好的影响脑电图癫痫分类通过真实信号的模拟和分类优化。
1。介绍
癫痫是一种慢性疾病,突然大脑神经元异常放电导致短暂的大脑功能障碍。目前,世界上大约有5000万个癫痫患者。所有癫痫患者中,约有2/3的病人可以通过抗癫痫药物控制癫痫发作,8 - 10%的病人可以通过手术切除的重点控制癫痫发作,和另一个25%的病人不能得到有效的治疗目前(1]。及时、准确的检测癫痫中扮演一个重要的角色在使用抗癫痫药物;所以,这具有重要意义为癫痫设计自动检测方法。癫痫EEG信号分析技术包括神经科学等跨学科的知识,信息科学和医学。许多学者从不同的角度研究癫痫脑电图。常见的研究包括癫痫特征提取和分类2,3),癫痫预测(4,5),和焦点定位(6,7]。在癫痫脑电图的分析,人们希望计算机能自动找到脑电图的分布从大量的脑电图特征样本。
典型的癫痫特征提取方法包括累积能量(8),关联维数(9),光谱能量(10),和最大李雅普诺夫指数(11),然后使用支持向量机等模式识别方法和决策树分类脑电图模式在一段时间内。已经取得了很大的进步领域的人工神经网络(12]。传统的特征提取在图像识别已经取代了端到端神经网络学习的特性,而相关研究癫痫脑电图预测仍然集中在特征提取和传统的模式识别方法2,13]。然而,大多数传统方法提取从单通道或两个通道的信息,忽略了多个频道之间隐含的时空关系,以及缺乏提取癫痫EEG同步模式变化的特性。
癫痫发作的预测一直是临床研究的热点问题之一。在临床诊断,医生经常带棘波、尖波,慢复合波,和其他阵发性异常脑电图癫痫信号的特点(14]。一些临床研究表明,之前可以找到一些前兆预测癫痫发作(14]。癫痫是癫痫灶导致过度的过程同步放电的神经元。因此,异常同步模式反映了癫痫的进化。许多临床研究发现,preseizure之间有同步和去同步化模式的差异和发作期(15]。是非常重要的研究大脑异常放电活动的扩散规律的预测癫痫。
脑电图源定位的问题估计脑电图活动从一个给定的源头皮脑电图分布,通常称为脑电图的逆问题。目前,用于定位脑电活动源的方法主要包括等效电流偶极子(ECD) [16],稀疏和贝叶斯框架[17[],波束形成和扫描算法18),减少L2正常的家庭(19),和非线性事后正常化(20.]。近年来,更多的研究了引入信号的计时模式的过程中确定源信号的位置(16- - - - - -18]。引入时间信息后,邻近的时序信号可以提供更多的观测数据欠定的EEG逆问题,因此压缩解决方案空间和反问题容易解决。另一方面,EEG信号的时序模式也扮演着重要的角色在源活动的重建。基于上述分析,这项工作从之间的相关性提取识别特性的振幅头皮脑电图信号和脑电图的位置信号引起的癫痫病灶,进行深入学习基于对偶氮化镓的脑电图癫痫模型。主要的创新和贡献如下:(我)根据当地的信号特征癫痫EEG棘波、波,和上升缓慢复杂的波,当地癫痫EEG信号的虚拟表示形式进行了研究。提出GAN机器学习方法的实际数据来提高数据识别的鲁棒性(2)EEG信号的局部特性增强可以有效地解决癫痫脑电图特征聚类的表达,使脑电图信号的特征聚类更准确(3)氮化镓是潜在的空间用于执行算术运算(向量空间)脑电图集群特性转换成业务对应的特征空间。生成的数据是没有不同于真正的样本。最后,鉴别器不能正确区分从真实数据生成的数据,以获得更多的加强分类功能
一句话,提出新想法在集群功能,强化和端到端分类、癫痫脑电图和识别,自动诊断提供了一种新的工具。
2。方法
2.1。脑电图癫痫信号发生器
网络生成对策(GAN)主要用于生成图像。已经取得了很大的进步在生成图像的稳定和质量不同的正则化方法(21,22在培训中,逐步提高图像分辨率23]。然而,没有很多研究时间序列。(24)设计temporal-spatial-frequency与均方误差(TSF-MSE-based)采样信号的损失函数计算的MSE时序特性,常见的空间格局特征,和功率谱密度特性。
在这项研究中,从原始信号参数迁移,生成所需的源激活重复了许多次的模拟模型脑电图癫痫。首先,源数据的样本是随机选择作为初始癫痫预测样本,和一组时间序列数据集与4 s颞窗快速生成使用seed-g工具箱。然后,TripleGAN模型用于选择性地调整目标数据集的输入-输出成对方法真正的目标。
2.2。聚类特征提取方法
在癫痫EEG信号的分析和处理,无监督降维特征提取方法有很多,比如PCA模型(25],ICA [26,基于“增大化现实”技术(27]。无监督聚类的方法是我的特点,根据样本分布的样本数据驱动的角度。而基于分区的集群模型主要分为集群、density-based集群、和信号self-coding-based集群(28]。EEG信号的聚类算法可以挖掘时间序列样本之间的分布规律,发现关键样本模式。虽然特征提取的聚类算法不能对应于明确的物理意义,他们可以作为特征提取的关键组成部分,发挥着重要的作用在许多脑电图研究[29日]。
本文从三维空间中提取特征:时间,频率和时间频率。
具体方法如下:(我)时间特性是在脑电图信号处理最基本的特性,由直接观察和计算提取原始信号。我们使用之前的成就30.提取时间模型,见图1(2)频域特性是过滤的方法,它可以区分明显的脑电图改变能源发作期间,看到方程(1)
小波分析在时间频率域用于将一维信号的时间转换为时间尺度的二维空间,在不同层次和频带划分为更精确的功能分解,看到方程(2),这 的共轭函数吗 。
这三个特征履行自己的职责。特别是,小波包分析进一步分解多分辨率分析没有细分的高频部分,它进一步分裂和稀疏频谱的优秀的属性窗口,扩大规模的增加。因此,它具有更好的时间频率特性和改善EEG信号分析的准确性31日]。
2.3。TripleGAN模型
灵感来自自然语言翻译的双重学习(31日),我们已经开发出一种小说TripleGAN机制。DualGAN [32)列车图像转换器与两组从两个域标记图像。在本文的实验中,原始GAN学习脑电图的特点的三维时间,频域,和FFT时间频率域,进行闭环培训产生的原始信号和模拟信号,并允许从任何域脑电图特征被翻译然后重建,见图2。因此,识别重量可以合理用脑电图癫痫的三维特性识别提高识别性能。
在学习的过程中,生成模型的优化目标是生成假脑电图癫痫尽可能多的数据,以获得真实数据的统计分布规律。判别模型是用于判断给定的输入数据来自真实的数据或生成的模型。最后,当一个判别模型不能准确区分是否由生成的模型生成的数据是伪造的,我们认为这两个判别模型和生成的模型已经提高到一个更高的层次,并生成的数据生成模型是足够的模仿现实世界中的数据。
3所示。实验和结果
3.1。实验装置
本文实现了拟议的框架组成的TripleGAN和三个特征方法和堆叠脑电图癫痫模拟使用Keras 2.4.3机器学习。我们用一台机器配备12日创英特尔(R) (TM) 19 - 12900 k的核心(电子邮件保护),32 gb内存,1 TB硬盘,GeForce 3090 RTX GPU下64位Ubuntu操作系统进行解决分类问题的实验如表所示1和2使用一个开放的脑电图癫痫CHB-MIT的数据集。
3.2。数据集
CHB-MIT数据集(33)是由波士顿儿童医院共同记录和麻省理工学院。它使用10 - 20国际标准铅系统放置电极,和16位模数转换器样本输入信号在256赫兹。它训练对2个或更多的每个病人癫痫发作和测试916小时的连续从24例脑电图。
3.3。实验结果
对于一个公平的比较,本文模型是进一步与最先进的和基线模型显示其优越的性能。
subject-dependent分类,该模型与最近发表Bi-GRU [34),提出了双向封闭的复发性单元(Bi-GRU)神经网络,以促进癫痫的诊断和治疗。比较与DLEK-GP [35)方法采用经典的常见的空间模式(CSP)和歧视log-Euclidean基于高斯过程区分癫痫EEG信号。进一步与EEGWaveNet [36)方法利用可训练的深度方面旋转作为区别的过滤器,同时从每个脑电图通道收集功能和独立的信号多尺度分辨率。最后,提出CE-stSENet [37]提出channel-embedding spectral-temporal squeeze-and-excitation网络可以捕获分层多畴的表示以统一的方式squeeze-and-excitation块的一个变种。在表1,TripleGAN优于1.19就意味着比较方法的准确性,对于平均灵敏度1.36,和0.27意味着特异性。
对于subject-independent分类,也使用EEGWaveNet [36作为一个基线的方法)。代表与稀疏表示方法癫痫发作分类基于同伦(DLWH)的字典学习算法(38]。GDL [39]介绍了深上优于癫痫发作预测模型使用测量(脑电图)可以预测癫痫发作的区分preictal和发作阶段主题的大脑。最后,一个前瞻性的方法LRCN [40)构建递归卷积网络18-layer长期(LRCN)病灶自动识别和定位头皮脑电图。(41)实现实时癫痫检测使用在七个特征值与RUSBoosted DB16-DWT树整体方法。在表2,TripleGAN优于0.53就意味着比较方法的准确性,对于平均灵敏度2.2,和0.37意味着特异性。
4所示。讨论
本文自然延伸GAN TripleGAN提取脑电信息三个领域对时间,频率域和时间频率和确保脑电图癫痫的分布特性的特征分类器对数据分布和发电机是收敛的。作为一个统一的模型,TripleGAN可以同时获得深入的最新分类结果生成模型。为了共同来估计这些条件分布的特征分类器网络和机组分类条件,本文定义了一个联合鉴别器网络,唯一的功能就是区分样本是否来自真正的数据分布或模型。此外,为了澄清脑电图癫痫主要的生成规则,本文顺利转移输入三维空间和使用GAN网络生成数据的顺序优化模拟。接下来,我们将在这一部分进行深入研究。
5。结论
本文证明了人工产生的脑电图信号网络生成对策。本文列车GAN一步一步生成人工信号稳定,和非常类似于单通道的信号真实的脑电图信号在时间和频率域。
数据可用性
数据集在当前研究可从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是财务支持中青年教师的教育研究项目福建省2021年教育部(没有。JAT210265)和总统2021年闽南师范大学基金(没有。KJ2021016)。作者感谢所有成员的厦门大学数字媒体计算中心的讨论和灵感。此外,许多我们应感谢OYMotion技术有限公司有限公司为他们的有价值的建议。