文摘
癫痫病灶定位通过分析颅内脑电图(iEEG)在成功中扮演着一个关键的角色由癫痫引起的病变切除的手术治疗。然而,手动iEEG信号的分析和分类,临床医生是艰苦和耗时的和过度依赖于经验。由于患者的个体差异,iEEG信号从不同的病人通常显示了非常不同的特性,即使属于同一类的特性。因此,自动检测所需的癫痫的重点是提高精度和缩短治疗的时间。在本文中,我们提出一个新颖的特性fusion-based iEEG分类方法,深入学习模型称为时频混合网络(TF-HybridNet)、短时傅里叶变换(STFT)和一维卷积层上执行并行输入iEEG提取时频域的特性和特征图谱。然后,时频特性和特征图融合和美联储二维卷积神经网络(CNN)。我们使用了Bern-Barcelona iEEG数据集评估TF-HybridNet的性能,实验结果表明,我们的方法是能够区分的焦nonfocal iEEG信号平均分类精度为94.3%,演示了一种改进的模型相比,准确率仅使用STFT或一维卷积层作为特征提取。
1。介绍
癫痫是大脑的一种慢性疾病,它的特征是复发性和不可预知的发作,这是短暂的不自主运动,甚至伴随着短暂的意识丧失(1]。目前,在全球拥有约5000万名癫痫患者根据世界卫生组织(世卫组织),癫痫是全球最常见的神经系统疾病之一,是一个重大的挑战[医疗保健和社会服务1]。导致癫痫发作的原因是过多的电在一群大脑神经元放电。脑电图是一个常用的方法来测量大脑活动通过记录电活动并已被广泛用于各种神经疾病的诊断和治疗如脑死亡、癫痫、阿尔茨海默氏症和昏迷(2]。考虑不确定性,症状将iEEG信号,和iEEG应该长期监测和记录。在这个过程中,大量的数据生成和有经验的神经专家随后分析通过目视检查异常的大脑活动。这个任务是耗时的,可能会导致严重的延迟几天甚至几周的治疗。近年来,各种自动诊断方法已经提出协助加速神经学家的解释过程,从而减少工作负载(3,4]。当前的方法主要集中在任务,比如癫痫检测、预测癫痫,发作类型分类。统计数据显示,高达70%的患者可以成功治疗的正确使用抗癫痫药物(aed) [1]。然而,对药物治疗效果欠佳的患者,切除手术致癫痫的组织可能是其中一个最有前途的治疗在控制癫痫发作。因此,它是至关重要的,以确定手术治疗癫痫领域,有一个很强的对癫痫病灶定位的自动检测的需求。iEEG记录直接从大脑皮层,iEEG信号的记录由癫痫引起的面积比iEEG固定和随机信号记录从正常区域(5]。这种性质使得它可以被用于识别有效的位置。癫痫的任务重点定位主要不是由于任务的复杂性等因素和罕见的临床数据集(6]。主要用于数据集是公开Bern-Barcelona iEEG数据集,由Andrzejak等人收集的神经病学伯尔尼大学的(7]。
近年来,各种自动对焦检测方法通过分类iEEG信号提出了成焦和nonfocal [8]。大多数通常分为三个主要步骤,预处理,特征提取,分类。在预处理步骤中,各种过滤或标准化应用于原始信号。在特征提取步骤,提取最歧视的特性,常用的方法包括经验模态分解(EMD) [9)、熵和时频分析方法简要地变换、傅里叶变换(FT) (10],STFT [11),和小波变换(WT) [12,13]。特别是STFT建立了适用于iEEG信号处理,提取时频域特性(14]。在分类步骤中,支持向量机(SVM) [9),逻辑回归(LR) [15),而 - - - - - -最近邻(资讯)方法(16)通常被使用。深度学习模型的快速发展,基于特征的方法已经成功地应用于自动分类问题(17];特别是,CNN被认为是最成功的和广泛使用的深度学习模型。在我们先前的研究工作(18,19),两个人特征提取方法、时频卷积神经网络(TFCNN)和Mixed-CNN,提出和已被证明是有效的。本文的主要贡献是我们提出TF-HybridNet,深度学习模式多样化特性相结合时频分析和可学的自动特征提取方法。我们比较TF-HybridNet精度与TFCNN Mixed-CNN,和实验表明,multifeature提取方法生产高iEEG分类精度与个体特征提取方法。拟议的框架不仅有强壮的特性学习能力也有更高的分类性能自适应iEEG特性没有太多人工干预。
本文的其余部分组织如下:部分2描述了实验中使用的数据集和CNN和STFT的方法。部分3描述了一个比较三种深度学习模型的体系结构。并给出了实验结果4,最后是本文的结论。
2。材料和方法
在本节中,我们首先介绍了Bern-Barcelona iEEG数据集。然后,我们讨论了STFT,一个强大的时频域特征提取的通用工具。本文中使用的工作原理描述,包括一维卷积层,二维卷积层,和各种神经网络组件。这个工作原理和组件的集合提供了一个重要依据三种深度学习模型提出了部分3。
2.1。数据集
的Bern-Barcelona iEEG数据集记录从五个病人患有长期耐药颞叶癫痫手术候选人。信号记录从重点地区(病变)贴上焦信号;否则,该信号被贴上nonfocal信号。数据集包含3750焦iEEG信号双和3750 nonfocal iEEG信号对。每一对iEEG信号从相邻通道采样20秒512赫兹的频率0.5和150赫兹之间,带通滤波四阶巴特沃斯滤波器。iEEG信号记录在过去癫痫发作和三个小时后被排除保证丢弃没收iEEG信号。焦点的一个例子,nonfocal iEEG信号如图1,分别。
2.2。短时傅里叶变换
由于iEEG信号的不稳定性,它很难提取关键特性的一些常用的时频分析方法,如傅里叶变换(20.]。STFT, Fourier-related变换,用于同样将原始信号分为短段长度的窗口函数零只有很短的时间内,所以信号的部分大约是静止的。的傅里叶变换计算短段的沿着时间轴滑动窗口函数,获得光谱,信号的二维表示。因此,它证明了时频域特征提取的STFT适合分类iEEG癫痫信号(20.]。对于一个确定的信号 ,时频域可以通过在每个时间点 在哪里是围绕零损害窗口函数。
iEEG信号的谱图的例子(焦和nonfocal)如图2。
2.3。卷积神经网络
CNN是一个子集的深度学习最近成功地使用在许多任务在不同研究领域的图像和时间序列分类(TSC),如生物医学成像、iEEG /心电图(ECG)信号,和运动传感器数据和演讲。CNN模型由一个输入和一个输出层,以及多个隐藏层,初层以下输入层一般卷积层。卷积是一种数学运算,用来提取特征映射通过滑动卷积核输入数据,这有助于提取特定的特性。
2.3.1。一维卷积层
内核和输入向量的重叠值为每个位置内核是滑动相乘,和结果的总和的价值特征映射上的点输入向量,它对应于内核的中点。对于一个输入向量长度为和一个内核长度为 , 的卷积和和被定义为
2.3.2。二维卷积层
为二维卷积,正如一维卷积,我们幻灯片2 d内核在输入图像的每个像素,然后乘以相应的输入图像和内核的条目;结果将之和的价值特征映射。激活地图是通过计算输入文件的点积和过滤器。后,添加剂偏见和激活函数的非线性映射,特征图谱的卷积层输出给下一层在CNN模型中。
2.3.3。汇聚层
卷积层后,特征图谱通常传递到池层和不同的卷积操作;池没有参数。汇聚层的特征图被分成许多矩形区域,然后,每个地区的特性。它使downsampling每个特性独立映射到降低维数,降低计算复杂性,并防止过度拟合。各种池操作,例如,max池操作,只选择池窗口的最大值,而意味着池获得池窗口的平均值。
2.3.4。批归一化层
批标准化层应用规范化的输出特性图从上一层获得批减去均值和标准差除以批,应对内部协变量转变,提高神经网络的稳定性问题。为输入从上一层获得,批量标准化层首先计算的意思和方差的minibatch的大小由方程(3)和(4)。然后,归一化值计算方程(5),是一个常数添加到minibatch方差的数值稳定性。最后,转移和扩展方程(6)的参数和要学到的东西。
2.3.5。完全连接层
在完全连接层,所有来自上层的2 d特征图由一维的特征向量作为输入层。本文获得的输出是通过特征向量之间的点积,可学的权向量,添加可学的偏见,然后对激活函数。
3所示。神经网络结构
传统的cnn分层架构是基于卷积的交替层池层和批归一化层和紧随其后的是一个完全连接层。
3.1。时频卷积神经网络
在先前的研究中,我们提出了一个架构,结合时频分析和二维卷积神经网络。TFCNN网络由一个STFT层,五后续阶段,5 FC阶段,辍学层,最后输出层,如图3(一个)。
(一)
(b)
(c)
在这种架构,iEEG信号首先改变了STFT层提取本地特性分别基于本地相关的时频域。然后,区别的特性由连接当地的特性,和分类是由TFCNN执行的。具体培训过程如下:时频光谱图与尺寸 首先是复杂的使用 过滤器通过滑动步1和10通道特性图,和每个特性映射具有相同的大小作为输入谱图。然后,批正常化(BN)和马克斯池操作先后实现批处理归一化层和max池层。和这两个步骤是重复5次,除了输入和输出的大小是决定由前层,和渠道的特性映射成倍增加。
3.2。混合卷积神经网络
在前面的TFCNN架构,在神经网络之前,需要执行信号提取和选择手动的功能。像STFT最常用时频分析方法能够提取本地信息一次性规模取决于一个过滤器,限制模型的灵活性。为了解决这个问题,考虑一个卷积可以看作是应用和滑动一个过滤器在时间序列;而不是STFT,我们使用一维卷积层在前面的层。更容易优化参数配置独立对待每一层时,它还允许使用不同的输入特征图谱或接受域的大小。卷积Mixed-CNN由八个阶段,五个FC阶段,辍学层,最后输出层,如图3 (b)。从阶段1到3,每个阶段的开始 一维卷积大步的层2,然后BN层和紧随其后 马克斯池也大步的2层。第三阶段的输出特性图的大小 。卷积的特征图1 d层重塑然后先后美联储随后的五个二维卷积阶段和完全连接层执行进一步的特征提取和分类。
3.3。时频混合网络
表演的启发,前面的两个模型,我们提出一种混合模型结合时频分析和Mixed-CNN。如TF-HybridNet的体系结构,如图所示3 (c)喂养成二维卷积层之前,执行进一步的特征提取,从STFT和获得的谱图特征地图从一维卷积层都调整成规模 并在序列切除堆叠在一起。模型的其余部分Mixed-CNN几乎是一样的。
4所示。结果与讨论
拟议的模型上实现工作站12英特尔酷睿i7 3.50 GHz (5930 K), GeForce RTX 2080 Ti图形处理单元(GPU),和128 GB随机存取存储器(RAM) TensorFlow框架上使用Python编程语言。5倍交叉验证,本文使用10倍交叉验证。在5倍交叉验证,60%的数据集作为训练集,20%作为验证集,剩下的20%作为测试集,在10倍交叉验证,分布比例设置为80%,10%,10%。它需要大量的计算开销使用一个迭代的整个训练集来执行每个时代;因此,在每一个时期的训练,训练集随机分为100,120,和200年TFCNN批次分开,Mixed-CNN,和TF-HybridNet依次送入网络。
模型的训练性能监控在训练阶段直到得到最好的精度最低的训练集火车上的损失。我们验证网络通过使用一组验证每个时代之后的训练。的准确性验证集分类的不同模型如图4。可以看出,没有三个模型过度拟合问题;在培训期间,验证精度稳定在结束培训。最后,对于绩效评估与测试集的训练模型,我们选择了不同的评估标准,包括精度、精度,还记得,马修斯相关系数(MCC), kappa评分可以计算吗
缩写代表真阳性(TP),假阳性(FP),真正的负面(TN),假阴性(FN)。
混淆矩阵和性能措施通过5倍/ 10倍交叉验证获得TFCNN, Mixed-CNN, TF-HybridNet如表所示1。我们的结果表明,发达TF-HybridNet模型表现好于其他两个模型在训练和测试时间。并考虑到10倍交叉验证的结果是更好的比5倍交叉验证,性能可以改善iEEG更多的数据。与其他出版的最先进的方法见表1,提出TF-HybridNet设法获得94.3%的准确率。和这种方法的优点是减少信号预处理,特征提取和选择。
5。结论
自从iEEG人工目视检查是一个耗时的过程,自动化的检测癫痫集中到一个有效的分类器将有可能在治疗解决延迟问题。在信号特征提取,STFT可以提取一些但不是所有特定的时频域特性和卷积层也同样能够提取部分iEEG的潜在特征。此外,iEEG信号从不同的病人通常显示了非常不同的特性由于患者的个体差异,即使属于同一类的特性。这通常会导致每个特征提取方法获得不同的结果在不同的数据集在信号处理领域。要解决这些问题,我们建议采用一种特性fusion-based iEEG分类方法可以弥补传统特征提取的短缺和深度学习技术。在本文中,我们提出并比较三种不同的模型的性能(TFCNN、Mixed-CNN TF-HybridNet) iEEG信号分类焦和nonfocal iEEG信号。三种模式中,TF-HybridNet模型执行最好的结果5倍和10倍。尽管这个模型不能产生最佳的分类性能比发表作品表所示2,提出TF-HybridNet模型仍然设法获得94.3%的准确率。这表明TF-HybridNet有效地效率和节省时间的协助神经临床医生检测局灶性癫痫发作。
数据可用性
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由jsp KAKENHI(批准号18 k04178和20 h04249)和JST波峰(批准号JPMJCR1784)。