基于卷積神經網絡的癲癇腦電自動分類

丁木涵+王春興

摘要：癲癇是一種以周期性發作和不可預測性為特點的神經障礙，基于腦電（ EEG） 的癲癇發作自動檢測對于患者的準確識別和減輕醫護人員的工作強度都具有重要意義。該研究提出了一種與卷積神經網絡相結合的方法，實驗結果表明， 該方法能有效區分健康腦電和癲癇腦電，間歇期腦電和發作期腦電。

關鍵詞：癲癇；EEG；CNN

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2017）34-0176-02

Abstract： Epilepsy is a neurological disordercharacterized by recurrent and unpredictable. Automatic seizure detection Based on electroencephalogram （EEG） are of great significance for the accurate identification of patients and reduce the intensity of work for the medical staff. In this study， a method combining convolutional neural network is proposed. The experimental results show that the proposed method can effectively distinguish healthy EEG signal and epileptic EEG signal， ‘ictal period EEG signal and ‘inter period EEG signal.

Key words： Seizure； EEG； CNN

1 概述

癲癇是一種慢性腦功能障礙綜合征，全世界有近6500萬人受到癲癇的困擾，約占世界人口的1%[1]。引起癲癇的病因多種多樣，病程長期反復，不僅嚴重危害患者健康，還會給患者帶來巨大的精神壓力[2]。腦電圖的發展提供了一種無創和低成本的有效技術，可以在臨床中試驗探測大腦皮層的腦活動和相關疾病。大量研究表明，癲癇腦電與正常腦電顯著不同。癲癇患者的腦活動通常包括發作間歇期和發作期，當腦活動從一種狀態向另一種狀態演變時腦電信號會發生較為明顯的變化，因而，腦電圖是臨床診斷癲癇的重要依據[3-4]。

臨床上常用的癲癇檢查手段之一的長程腦電檢查，是經過專家的目測來分析腦電信號，以此確定癲癇發作的情況，有助于醫生發現病人的病灶并進行相應的治療，但人工觀察和檢測長程腦電信號是一項復雜而耗時的工作，繁重的工作量容易引起醫護人員疲勞而導致人工檢測結果的不準確，而且往往要通過專業經驗來做出判斷，因此腦電圖的自動檢測與分類就越發顯得迫切與重要[5]。

20世紀60年代以來，癲癇技術有了很大發展，提出了多種分類方法，目前癲癇檢測的方法主要分為線性方法和非線性方法等。線性方法，如時域分析等，較為直觀，但信息單一，識別率不高。目前已有許多研究表明大腦可能是一個混沌系統，有許多主要基于混沌理論的非線性方法已經應用于分析腦電信號，如復雜度、相關維數、Kolmogorov熵、Lypaunov指數等，從而實現對癲癇的自動檢測[6-7]。

人工智能以及人工神經網絡也已經被大量生應用于癲癇波形檢測，本研究提出了一種基于卷積神經網絡的癲癇分類方法，利用卷積神經網絡在識別分類方面的優越性能，可以有效地識別正常腦電和癲癇腦電，間歇期腦電和發作期腦電。

2 對象與方法

2.1 實驗數據構成

本文所用的癲癇數據由Andrzejak et al. （2001）所描述的數據庫。整個數據庫包含3個數據集（記為F、S和Z），每個數據集各包含100個單通道的EEG片段，持續時間為23.6秒，采樣頻率為173.6赫茲。這些數據是對全部記錄進行數據檢查后，從連續多通道腦電記錄中選擇出來的。集合Z選取的是五名健康志愿者在放松清醒并睜眼的時候使用標準化電極獲取的腦電記錄。集合F和S源于術前診斷腦電圖檔案，集合F記錄了癲癇間歇期的腦電信號，集合S僅包含癲癇發作時的信號。所有的EEG信號都用相同的128通道放大器系統記錄，使用平均公共參考。這些數據在每秒173.61個采樣點使用12位分辨率進行數字化，它們的采集系統的頻譜帶寬從0.5赫茲到85赫茲不等[8]。

2.2 卷積神經網絡

卷積神經網絡是人工神經網絡的一種，已經成為眾多眾多科學領域的研究熱點，特別是在語音分析和圖像識別領域。20世紀60年代初期，Hubel和Wiesel等通過研究貓的大腦視覺皮層系統，提出了感受野的概念。到了80年代中期，日本學者Fukushima等基于感受野概念提出的神經認知機，可以看作是卷積神經網絡（CNN）的第一次實現[9]。

CNN是第一個真正成功訓練多層網絡結構的學習算法。它的基本架構思想由感受野、權值共享和下采樣組成。第一個思想表示一個神經元在某個階段只與前一個階段的幾個空間相鄰的神經元相連。權值共享表示卷積核的權值在某一階段的特征映射中是空間不變的。通過感受野和權值共享減少了神經網絡訓練的參數的個數。下采樣也被稱為池化，可以減少數據維度。卷積神經網絡的核心思想是將這三種結構思想結合起來獲得某種程度的位移、尺度的不變性[10]。

本研究中，主要進行兩次分類，分別是癲癇患者發作期和間歇期的區分以及癲癇患者和健康志愿者的區分。選取未發作的間歇期腦電和癲癇腦電各1600段，每段256個點。將其中的800段間歇期腦電和800段癲癇腦電組成訓練集，剩余的數據用于測試。同理取800段健康志愿者腦電和800段癲癇患者腦電作為區分健康志愿者和癲癇患者的訓練數據，剩下的數據分別作為測試數據。endprint

將訓練數據信息通過分段重組轉化為16×16的二維數據作為輸入數據，在區分發作期和間歇期的試驗中，規定間歇期腦電標號為“1”，發作期腦電標號為“2”。在區分健康志愿者和癲癇患者的試驗中，規定健康志愿者腦電標號為“1”，癲癇患者腦電標號為“2”。本次研究采用 2 組卷積和下采樣層（如圖1），以提高預測的準確率?？紤]到 sigmoid 函數有良好的非線性映射特性，故變換函數統一采用 sigmoid 函數。網絡訓練中學習率取為15，訓練批大小為200，迭代次數為2000。同樣將測試數據也轉化為16×16的數據輸入訓練好的網絡，其最終輸出為標號“1”或“2”用來區分測試數據。若輸出標號與該輸入測試數據的真實情況相匹配，則表明識別正確，反之則錯誤。

從圖1可以看出，卷積神經網絡的結構由輸入層，隱含層和輸出層組成。隱含層包括卷積層，下采樣層以及傳統多層感知機中的隱層。本次研究中測量系統不包含輸入層共有7層，每層都包含可訓練參數。

對上述數據做發作預測分析，如果需要分析的輸入數據是癲癇患者發作期和間歇期的片段，得到的敏感性為80.5%，特異性為85.75%%，總識別率83.125%。如果對不患癲癇的健康志愿者和癲癇患者間歇期的數據片段進行實驗分析，得到的總識別率為80%。

4 結論

本文以腦電信號為研究對象，構建了一種癲癇發作自動檢測算法，可以有效地識別出該腦電是否是癲癇患者腦電以及癲癇是否處于發作期。對癲癇腦電數據進行分析的結果表明，當檢測癲癇患者是否發作時，敏感性為80.5%， 特異性為85.75%，總識別率為83.125%；當檢測是否是癲癇患者時，總識別率為80%。由于頭皮腦電信號可以實現長程采集， 因此利用大量的數據構建更為有效的預測算法， 是今后值得進一步研究的方向。

參考文獻：

[1] Parvez M Z， Paul M. Seizure Prediction using Undulated Global and Local Features[J]. IEEE Transactions on Biomedical Engineering， 2017， 64（1）：208-217.

[2] 李章勇， 萬小勤， 左晶，等. 基于獨立成分分析的癲癇腦電分析算法[J]. 電子世界， 2017（5）：8-9.

[3] 李冬梅， 張洋， 楊日東，等. 經驗模式分解與代價敏感支持向量機在癲癇腦電信號分類中的應用[J]. 生物醫學工程研究， 2017， 36（1）：33-37.

[4] 劉小峰， 張翔， 王雪. 基于EEG去趨勢波動分析和極限學習機的癲癇發作自動檢測與分類識別[J]. 納米技術與精密工程， 2015（6）：397-403.

[5] 蔡冬梅， 周衛東， 劉凱，等. 基于Hurst指數和SVM的癲癇腦電檢測方法[J]. 中國生物醫學工程學報， 2010， 29（6）：836-840.

[6] 袁琦， 周衛東， 李淑芳，等. 基于ELM和近似熵的腦電信號檢測方法[J]. 儀器儀表學報， 2012， 33（3）：514-519.

[7] 周紅標， 陳若珠， 李軍紅. 基于小波包變換的癲癇腦電信號特征提取[J]. 電子測量技術， 2009， 32（10）：36-39.

[8] Guo L， Rivero D， Pazos A. Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks[J]. Journal of Neuroscience Methods， 2010， 193（1）：156.

[9] 盧宏濤， 張秦川. 深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 數據采集與處理， 2016， 31（1）：1-17.

[10] Liu Y， Chen X， Peng H， et al. Multi-focus image fusion with a deep convolutional neural network[J]. Information Fusion， 2017， 36： 191-207.

[12] Aarabi A， He B. A rule-based seizure prediction method for focal neocortical epilepsy[J]. Clinical Neurophysiology， 2012， 123（6）：1111-22.endprint