基于深度學(xué)習(xí)的癲癇腦電信號分析與預(yù)測

王曉麗

(長春大學(xué) 電子信息工程學(xué)院，長春 130022)

癲癇疾病是大量腦神經(jīng)細(xì)胞群引起的腦皮質(zhì)興奮性異常的神經(jīng)系統(tǒng)紊亂性疾病，具有突然性[1]。癲癇發(fā)作期的腦電波形會成棘波、尖波狀等情況，臨床醫(yī)學(xué)中通常采用長時間的腦電監(jiān)測來判別患者是否發(fā)病。腦電圖(Electroencephalogram，EEG)是將腦部神經(jīng)活動通過電位的生理活動來記錄的方式，在對癲癇疾病的檢測中處于不可取代的地位[2]。但在監(jiān)測過程中產(chǎn)生大量的腦電信號數(shù)據(jù)，依靠人工的識別需要耗費(fèi)大量的時間，并且判定的結(jié)果存在著主觀性。因此，采用深度學(xué)習(xí)無疑是解決癲癇腦電信號自動識別的有力手段。

1 深度學(xué)習(xí)

“機(jī)器學(xué)習(xí)”統(tǒng)屬于人工智能領(lǐng)域，包含有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及半監(jiān)督學(xué)習(xí)三種。近年來，“深度學(xué)習(xí)”逐漸成為機(jī)器學(xué)習(xí)研究中的一個新的領(lǐng)域[3]。

圖1 基本BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

深度學(xué)習(xí)從基本結(jié)構(gòu)看等同于深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)通過多層次特征學(xué)習(xí)方法，網(wǎng)絡(luò)層數(shù)越多，越能夠?qū)崿F(xiàn)復(fù)雜函數(shù)的逼近，進(jìn)而使其可以表達(dá)淺層神經(jīng)網(wǎng)絡(luò)所不具有的特征表達(dá)能力。

基本BP(Back-Propagate)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，它由L1輸入層、L2隱藏層和L3輸出層三個部分組成。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)中隱藏的分布式特征表示[5]。因此，對研究者相關(guān)先驗(yàn)知識要求低，關(guān)鍵要數(shù)據(jù)充足，即提供了重組的輸入層，算法擬合程度才能夠達(dá)到最佳，再通過多次訓(xùn)練，就會等到更好的結(jié)果。因此，深度學(xué)習(xí)越來越多地應(yīng)用于處理信息量較大的場合。

2 癲癇腦電信號分析與檢測

基于深度學(xué)習(xí)的癲癇腦電信號分析與檢測首先應(yīng)選取研究對象，即樣本。進(jìn)而對其進(jìn)行預(yù)處理，再提取電線腦電信號特征，然后進(jìn)一步分析，最后采用分類器完成信號的分類，從而完成癲癇腦電信號的檢測。其結(jié)構(gòu)示意圖如圖2所示。

圖2 系統(tǒng)結(jié)構(gòu)示意圖

2.1 癲癇腦電信號的數(shù)據(jù)源

深度學(xué)習(xí)的實(shí)現(xiàn)要依靠真實(shí)有效的數(shù)據(jù)源作基礎(chǔ)，目前世界上對癲癇腦電信號研究中最為普遍的腦電數(shù)據(jù)庫一共有兩個。

2.1.1 波恩大學(xué)癲癇數(shù)據(jù)庫

該數(shù)據(jù)庫共采集了10名志愿者的數(shù)據(jù)，放于5個集合之中，分別標(biāo)號為A、B、C、D、E。其中，A組和B 組的腦電數(shù)據(jù)采集于5 名健康志愿者的皮層腦電，A 組的志愿者處于意識清醒且睜眼狀態(tài)，B 組的志愿者處于意識清醒且閉眼狀態(tài)。C、D、E 三組腦電數(shù)據(jù)采集于5 名癲癇病灶位于海馬區(qū)的癲癇患者術(shù)前的顱內(nèi)腦電。數(shù)據(jù)采樣頻率為173.61Hz。5 個數(shù)據(jù)子集中，每個子集包含100 段腦電信號段，每段數(shù)據(jù)包含4097 個數(shù)據(jù)點(diǎn)，時長約23.6 秒[4]。

2.1.2 CHB-MIT Scalp EEG兒童癲癇腦電數(shù)據(jù)庫

該數(shù)據(jù)庫收集了23個病例的記錄。其中共22名受試者，包括5名男性(3～22歲)、 17名女性(1.5～19歲)，并且一名女性chb01在病例1.5年后又采集樣本為chb21。每個案例包含了9到42個連續(xù)的.edf文件。在大多數(shù)情況下，.edf文件只包含一小時的數(shù)字化EEG信號，只有案例chb10是2小時長，案例chb04，chb06， chb07，chb09和chb23是4小時長。所有信號均以每秒256個樣本采樣，分辨率為16位[5]。

2.2 癲癇腦電信號的特征提取

提取腦電信號的特征是進(jìn)行腦電信號分類的核心。對于癲癇腦電信號的特征提取主要包括時域分析方法、頻域分析方法、時頻域分析方法、非線性分析方法等。隨著人工智能的發(fā)展，又出現(xiàn)了多種分析角度的癲癇腦電特征提取方法。在深度學(xué)習(xí)中，捕捉數(shù)據(jù)最重要特征的神經(jīng)網(wǎng)絡(luò)，即自編碼器神經(jīng)網(wǎng)絡(luò)。

自編碼器神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)技術(shù)，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行表征學(xué)習(xí)。即輸入的特征x1、x2…xn之間存在某種特殊的聯(lián)系，但是這些聯(lián)系不需要人為地進(jìn)行特征提取，而是放到網(wǎng)絡(luò)里面進(jìn)行學(xué)習(xí)，最終濃縮為更精煉、數(shù)量更少的特征h1、h2…h(huán)m。其中m

圖3 自編碼器的一般結(jié)構(gòu)

2.3 癲癇腦電信號的分析與分類

2.3.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的癲癇腦電信號分析

RNN(Recurrent Neural Networks)循環(huán)神經(jīng)網(wǎng)絡(luò)，允許信息的持久化。但在處理長期記憶時出現(xiàn)的缺陷，LSTM(Long Short Term)網(wǎng)絡(luò)可以彌補(bǔ)。LSTM是一種基于RNN的特殊變形，通過引入細(xì)胞狀的概念，不單單只考慮最近的狀態(tài)，而是通過細(xì)胞的狀態(tài)來決定狀態(tài)的去留。其二結(jié)構(gòu)圖如圖4所示。

(a)RNN結(jié)構(gòu)示意圖 (b)LSTM結(jié)構(gòu)示意圖圖4 RNN 與LSTM的結(jié)構(gòu)示意圖

通過LSTM(Long Short Term)網(wǎng)絡(luò)可達(dá)到以下功能：

(1)遺忘部分細(xì)胞狀態(tài)

通過最左邊的通路，也就是sigmoid函數(shù)實(shí)現(xiàn)。根據(jù)輸入和上一時刻的輸出來決定當(dāng)前細(xì)胞狀態(tài)是否有需要被遺忘的內(nèi)容。

(2)加入新狀態(tài)

新進(jìn)來的主語被加入到細(xì)胞狀態(tài)中，同理也是靠sigmoid函數(shù)經(jīng)過tanh來決定應(yīng)該記住哪些內(nèi)容。此處的sigmoid和前一步的sigmoid層的w和b不同，是分別訓(xùn)練的層。進(jìn)而形成下一時刻的細(xì)胞狀態(tài)輸入。

(3)當(dāng)前狀態(tài)的輸入決定其輸出

最右側(cè)的通路，通過sigmoid函數(shù)作門，對第二步求得的狀態(tài)作tanh后的結(jié)果過濾，從而得到最終的預(yù)測結(jié)果。增加了對過去狀態(tài)的過濾，從而可以選擇哪些狀態(tài)對當(dāng)前更有影響，而不是簡單地選擇最近的狀態(tài)。

2.3.2 基于Softmax回歸的癲癇腦電信號分類

隨著深度學(xué)習(xí)多分類的發(fā)展，Logistic 回歸模型推廣為Softmax 回歸形式。圖5是一個典型的神經(jīng)網(wǎng)絡(luò)，由輸入層、特征處理層，全連接層組成。通過Softmax分類器在全連接層的輸出端得到一個輸入樣本的條件概率。

圖5 Softmax多分類神經(jīng)網(wǎng)絡(luò)

Softmax回歸的函數(shù)表達(dá)式為：

(1)

對應(yīng)于每個輸入值x都會有一系列的概率得出，即p(y=j|x)，這一過程可以用向量表示：

(2)

由此可以得到Softmax的代價函數(shù)定義式：

(3)

其中，1{j=y(i)}是示性函數(shù)，其取值規(guī)則為：1{值為真的表達(dá)式}=1，1{值為假的表達(dá)式}=0。Softmax回歸中將x分類為類別j的概率為：

(4)

(5)

對于J(θ)的最小化，使用迭代的優(yōu)化算法，如采用梯度下降算法，其中的偏導(dǎo)數(shù)求解如下：

θj:=θj-αδθjJ(θ)，

(6)

J(θ)對θj求偏導(dǎo)得到：

(7)

最后通過迭代，使得損失函數(shù)達(dá)到最小，實(shí)現(xiàn) Softmax 回歸的分類。目前，Softmax 回歸在深度學(xué)習(xí)的多分類問題中被廣泛應(yīng)用。

3 前景展望

基于深度學(xué)習(xí)的癲癇腦電信號分析與預(yù)測在近幾年走進(jìn)人們的視野，對于腦電信號采用深度學(xué)習(xí)的方法目前存在以下問題：

(1)深度神經(jīng)網(wǎng)絡(luò)層數(shù)的最優(yōu)化，不是越多的網(wǎng)絡(luò)層數(shù)就能得到最好的結(jié)果。

(2)非線性的大腦檢測到的腦電信號輸入大多數(shù)為圖像數(shù)據(jù)，而采用數(shù)據(jù)點(diǎn)存在的數(shù)據(jù)目前仍受到一定的制約，數(shù)據(jù)的量也是造成深度學(xué)習(xí)方法無法深入的原因。本文主要就目前深度學(xué)習(xí)的腦電信號診斷癲癇作了籠統(tǒng)的總結(jié)與介紹，為未來采用深度學(xué)習(xí)方法診斷、檢測癲癇疾病可以提供一些理論參考。