基于遷移學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)方法

樊軻

（西安工程大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，陜西西安 710600）

截止于2020 年，我國有超過了1 000 萬人群遭受癲癇疾病的困擾，而且每一年都會(huì)有50～60 萬新增病例[1]。臨床治療中常常使用抗癲癇藥物以抑制患者癲癇發(fā)作，但是藥物治療并不適合所有癲癇患者[2]。

腦電圖(Electroencephalogram，EEG)信號(hào)具有捕捉癲癇發(fā)作信號(hào)和決定癲癇發(fā)作狀態(tài)的能力[3]。腦電圖中蘊(yùn)含有豐富的生理和疾病信息，臨床醫(yī)生通過分析病人的腦電圖不僅可以判斷該病人在某段時(shí)間內(nèi)是否處于癲癇發(fā)作時(shí)期，還可以迅速而精確的定位到癲癇的致病腦區(qū)，可以幫助醫(yī)生以手術(shù)的方法切除致癇腦區(qū)[4]。

相關(guān)文獻(xiàn)表明，癲癇發(fā)作并不是突然性的，是存在一個(gè)時(shí)間過程，因此對(duì)癲癇發(fā)作的預(yù)測(cè)是可行的[5]。

2018 年，周夢(mèng)妮等[6]使用非線性動(dòng)力學(xué)中的排列熵提取腦電信號(hào)的特征，然后使用支持向量機(jī)識(shí)別癲癇發(fā)作時(shí)期的腦電信號(hào)，并使用投票機(jī)制完成癲癇發(fā)作的實(shí)時(shí)預(yù)測(cè)。

2020 年，Usman 等[7]提出一種基于深度學(xué)習(xí)算法中卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)警系統(tǒng)。該方法已應(yīng)用于波士頓兒童醫(yī)院頭皮腦電圖數(shù)據(jù)集的24 名受試者，成功地獲得了92.7%和90.8%的平均敏感性和特異性。

2016 年，Zhang[8]等提出了一種預(yù)測(cè)癲癇發(fā)作的具備良好特異性的算法。該算法使用SVM 作為分類器完成腦電信號(hào)的識(shí)別。由其實(shí)驗(yàn)結(jié)果可知，該方法具有很好的準(zhǔn)確率以及靈敏度。

然而，由于腦電信號(hào)在個(gè)體之間差異較大，傳統(tǒng)的機(jī)器學(xué)習(xí)很難適用于處理每一個(gè)患者的腦電記錄。而且深度學(xué)習(xí)自動(dòng)提取數(shù)據(jù)特征的前提是數(shù)據(jù)規(guī)模足夠大，因?yàn)樯疃葘W(xué)習(xí)方法的學(xué)習(xí)能力是由可用于訓(xùn)練和測(cè)試的標(biāo)注數(shù)據(jù)的數(shù)目決定的，所以深度學(xué)習(xí)算法常常存在一個(gè)弊端，即數(shù)據(jù)不足的問題。

為了解決上述問題，文中使用遷移學(xué)習(xí)方法完成了癲癇預(yù)測(cè)。與深度學(xué)習(xí)方法相比，遷移學(xué)習(xí)的一個(gè)顯著優(yōu)點(diǎn)是不需要足夠多的標(biāo)注樣本也可以學(xué)習(xí)到可靠的分類模型。解決了癲癇信號(hào)因人而異的問題，極大地提高了模型處理腦電信號(hào)的效率。

1 數(shù)據(jù)集介紹

文中使用了波士頓兒童醫(yī)院(Children Hospital Boston,CHB)[9]公開的數(shù)據(jù)集。該數(shù)據(jù)集包含22 名患者的23 組腦電記錄。每組腦電數(shù)據(jù)包含23 個(gè)通道的腦電記錄，采樣頻率為256 Hz。文中使用編號(hào)為1～18 的患者的腦電記錄作為實(shí)驗(yàn)數(shù)據(jù)。每組腦電記錄中至少包含5 次癲癇發(fā)作時(shí)期的腦電信號(hào)。

圖1 對(duì)比了癲癇發(fā)作間期和癲癇發(fā)作時(shí)期的腦電信號(hào)。

圖1 癲癇發(fā)作間期和癲癇發(fā)作期腦電信號(hào)對(duì)比

2 基于遷移學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)算法

2.1 數(shù)據(jù)預(yù)處理

為了實(shí)現(xiàn)癲癇發(fā)作預(yù)測(cè)，文中將腦電信號(hào)分為兩類，即癲癇發(fā)作期腦電信號(hào)和癲癇發(fā)作間期腦電信號(hào)。由于癲癇發(fā)作時(shí)間很短，因此，文中把每次癲癇發(fā)作前30 s 的腦電信號(hào)也標(biāo)記為癲癇發(fā)作期。

腦電信號(hào)采集過程中容易受到干擾，如眼電信號(hào)干擾、肌電信號(hào)干擾、工頻干擾等。因此，腦電信號(hào)處理的第一步通常是數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理的作用主要是過濾其他干擾信號(hào)，并根據(jù)實(shí)際情況選擇頻率區(qū)間的腦電信號(hào)。

文中使用6組不同頻率區(qū)間的帶通濾波器對(duì)腦電信號(hào)作預(yù)處理。其頻率區(qū)間分別為0.5～4 Hz、4～8 Hz、8～13 Hz、13～30 Hz、30～80 Hz 和80～150 Hz。

2.2 特征提取

為了更好地識(shí)別發(fā)作期和發(fā)作間期的腦電信號(hào)，文中使用樣本熵作為分類特征。

樣本熵是通過計(jì)算在目標(biāo)信號(hào)序列中生成新碼型的可能性來測(cè)量目標(biāo)時(shí)間序列的復(fù)雜度[10]。并且其復(fù)雜度與生成新碼型的概率成反比。具體而言，樣本熵越小，時(shí)間序列越穩(wěn)定，生成新模式的可能性越小，時(shí)間序列的復(fù)雜度也越低。相反，樣本熵越大，生成新模型的可能性就越大，時(shí)間序列的復(fù)雜性和易變性也就越大[11]。

計(jì)算N維時(shí)間序列x(1),x(2),…,x(N)樣本熵的方法如下：

1）按序號(hào)將時(shí)間序列組成m維向量，即：

序列：Xm(1),Xm(2),Xm(3),…,Xm(N-m+1)。

2）定義向量Xm(i)和Xm(j)之間的距離D為兩者對(duì)應(yīng)元素差值最大值的絕對(duì)值，即：

3）對(duì)于給定的閾值，統(tǒng)計(jì)Xm(i)和Xm(j)之間距離小于或等于閾值的數(shù)目，記為Bi，定義：

4）求(r)對(duì)所有i值的平均值：

5）將維數(shù)增加到m+1，重復(fù)步驟2）～4），得到Am(r)。則樣本熵定義為：

當(dāng)N為有限值時(shí)，樣本熵可估計(jì)為：

2.3 遷移學(xué)習(xí)

腦電信號(hào)的一個(gè)特點(diǎn)就是因人而異，個(gè)體和個(gè)體之間差別很大，傳統(tǒng)的機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)算法不能適用于每一個(gè)患者的實(shí)際情況。在實(shí)際臨床治療中，腦電信號(hào)是否處于實(shí)際癲癇發(fā)作時(shí)期都是依賴于臨床醫(yī)務(wù)人員或者專家的人工標(biāo)注。而且由于腦電數(shù)據(jù)采集成本高、信噪比較差，并且每次癲癇發(fā)作的持續(xù)時(shí)間都很短。所以在實(shí)際臨床應(yīng)用中，對(duì)每一位患者建立足夠且?guī)?biāo)注的腦電信號(hào)數(shù)據(jù)比較困難。

因此，使用遷移學(xué)習(xí)處理和分析腦電信號(hào)越來越受到國內(nèi)外研究學(xué)者的關(guān)注。

源領(lǐng)域和目標(biāo)領(lǐng)域是遷移學(xué)習(xí)中的兩個(gè)基本概念[12]。通常情況下，目標(biāo)領(lǐng)域存在的問題是可用于訓(xùn)練的數(shù)據(jù)太少或數(shù)據(jù)標(biāo)注太困難，而源領(lǐng)域則有足夠數(shù)量的訓(xùn)練數(shù)據(jù)用于模型學(xué)習(xí)。因此，為了能在目標(biāo)領(lǐng)域構(gòu)建一個(gè)效果可靠的分類器，通常需要把在源領(lǐng)域?qū)W到的知識(shí)應(yīng)用在目標(biāo)領(lǐng)域中，這種知識(shí)的轉(zhuǎn)移就是遷移學(xué)習(xí)[13]。相比于經(jīng)典的機(jī)器學(xué)習(xí)方法，遷移學(xué)習(xí)的優(yōu)點(diǎn)是學(xué)習(xí)到的分類模型的好壞不再由可利用的訓(xùn)練樣本來決定；用來學(xué)習(xí)的源領(lǐng)域的訓(xùn)練數(shù)據(jù)與新測(cè)試數(shù)據(jù)的關(guān)系也不必屬于獨(dú)立且同分布的關(guān)系[14]。

文中使用基于模型的遷移學(xué)習(xí)[15]。實(shí)驗(yàn)中使用VGG19 網(wǎng)絡(luò)訓(xùn)練和測(cè)試所選的數(shù)據(jù)。VGG19 網(wǎng)絡(luò)是Oxford 組在AlexNet 的基礎(chǔ)上改進(jìn)后而得到的[16]。與AlexNet 中卷積核尺寸都比較大不同的是，VGG19網(wǎng)絡(luò)中使用的是尺寸小但連續(xù)的卷積核。在VGG19中卷積核的大小和最大池化的大小都是固定的。并且相比于AlexNet 中較大的卷積核，VGG19 中連續(xù)小卷積核的組合濾波效果更加明顯，這也證明了可以通過一直加深網(wǎng)絡(luò)層數(shù)來提升網(wǎng)絡(luò)的性能。由于腦電信號(hào)的特殊性，所以將該網(wǎng)絡(luò)中卷積核的尺寸設(shè)置為3×1。其結(jié)構(gòu)如圖2 所示。

提升初中歷史課堂教學(xué)，應(yīng)當(dāng)增加學(xué)生對(duì)歷史學(xué)習(xí)的興趣，將學(xué)生的感情與歷史聯(lián)系在一起。巧妙設(shè)計(jì)課前導(dǎo)學(xué)，激起學(xué)生探索歷史的興趣，利用情境創(chuàng)設(shè)引導(dǎo)學(xué)生講感情帶入學(xué)習(xí)之中，同時(shí)通過多媒體使學(xué)生更加直觀地了解歷史，拓寬自己的歷史知識(shí)。使學(xué)生在輕松自主的課堂氛圍中掌握知識(shí)點(diǎn)，將被動(dòng)學(xué)習(xí)變成主動(dòng)記憶，促進(jìn)學(xué)生歷史學(xué)習(xí)體系的建立。我希望通過本次的研究，可以為一線歷史教師提供一些幫助，有助于營造師生互動(dòng)、自主探究的歷史課堂學(xué)習(xí)氛圍，提高歷史課堂教學(xué)效率，培養(yǎng)學(xué)生的綜合素質(zhì)。

圖2 1維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 癲癇發(fā)作預(yù)測(cè)模型

在經(jīng)過VGG19 網(wǎng)絡(luò)分類之后，需要用6 min 的非重疊時(shí)間窗來統(tǒng)計(jì)這段時(shí)間內(nèi)發(fā)作期信號(hào)的數(shù)量，以識(shí)別其是發(fā)作期還是發(fā)作間期。

具體做法：在經(jīng)過VGG19 網(wǎng)絡(luò)分類后，得到測(cè)試數(shù)據(jù)集的標(biāo)簽，根據(jù)每一個(gè)病人的實(shí)際情況設(shè)置一個(gè)閾值，如果該段時(shí)間內(nèi)發(fā)作期信號(hào)大于該閾值，則判定該段時(shí)間處于發(fā)作期，反之則認(rèn)為該段時(shí)間處于發(fā)作間期。

假設(shè)該病人實(shí)際癲癇發(fā)作時(shí)間點(diǎn)為T1，而模型預(yù)測(cè)病人癲癇發(fā)作的時(shí)間點(diǎn)為T2，則發(fā)作預(yù)測(cè)時(shí)間T的計(jì)算公式為：

2.5 癲癇發(fā)作預(yù)測(cè)算法

基于遷移學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)算法的具體步驟為：

1）為了解決因?qū)嶒?yàn)數(shù)據(jù)維度太多而造成算法時(shí)間復(fù)雜度過高的問題，使用PCA 方法將原始23 導(dǎo)聯(lián)的腦電數(shù)據(jù)降維至3 導(dǎo)聯(lián)數(shù)據(jù)；

2）為了濾除其他干擾信號(hào)數(shù)據(jù)，便于分析研究不同頻率波段的腦電信號(hào)，使用6 組不同頻率波段的ButterWorth 帶通濾波器對(duì)降維處理之后的腦電信號(hào)數(shù)據(jù)進(jìn)行分段處理；

3）為了避免多維度特征造成時(shí)間復(fù)雜度太高，而使用樣本熵作為唯一的分類特征；

4）使用遷移學(xué)習(xí)得到的VGG19 網(wǎng)絡(luò)學(xué)習(xí)預(yù)先劃分好的訓(xùn)練數(shù)據(jù)集中的知識(shí)，并在測(cè)試數(shù)據(jù)集中進(jìn)行驗(yàn)證；

5）統(tǒng)計(jì)規(guī)定時(shí)間段內(nèi)處于癲癇發(fā)作時(shí)期的腦電信號(hào)數(shù)量，并將其與預(yù)先設(shè)置的閾值進(jìn)行比較。如果該段時(shí)間內(nèi)處于發(fā)作時(shí)期的腦電信號(hào)大于閾值，則判定該段時(shí)間處于發(fā)作期，反之則認(rèn)為該段時(shí)間處于發(fā)作間期。

3 實(shí)驗(yàn)結(jié)果與分析

文中使用Matlab 的2020a 作為實(shí)驗(yàn)平臺(tái)，運(yùn)行環(huán)境為單GPU。實(shí)驗(yàn)中為了VGG19 網(wǎng)絡(luò)具有更好的學(xué)習(xí)能力，將數(shù)據(jù)集的80%作為訓(xùn)練數(shù)據(jù)，20%作為測(cè)試數(shù)據(jù)，最大迭代次數(shù)為525 次。

3.1 評(píng)價(jià)指標(biāo)

為了更好地評(píng)估算法的預(yù)測(cè)能力，文中使用發(fā)作預(yù)測(cè)時(shí)間和誤報(bào)率作為算法的評(píng)價(jià)指標(biāo)。

1）發(fā)作預(yù)測(cè)時(shí)間

發(fā)作預(yù)測(cè)時(shí)間是指從模型預(yù)測(cè)病人癲癇發(fā)作的時(shí)間點(diǎn)到病人實(shí)際癲癇發(fā)作的時(shí)間點(diǎn)。

2）誤報(bào)率

如果一個(gè)時(shí)間窗內(nèi)的發(fā)作期信號(hào)超過預(yù)先設(shè)定的閾值，則認(rèn)為該段時(shí)間處于癲癇發(fā)作期。如果該時(shí)間段處于病人實(shí)際發(fā)作之前，則判定這次預(yù)測(cè)為正確預(yù)測(cè)，如果該時(shí)間段處于病人實(shí)際發(fā)作期內(nèi)或?qū)嶋H發(fā)作之后，則判定這次預(yù)測(cè)為誤報(bào)。

3.2 實(shí)驗(yàn)結(jié)果

表1 給出了18 個(gè)參與實(shí)驗(yàn)患者的評(píng)估結(jié)果。

表1 18個(gè)參與實(shí)驗(yàn)患者的評(píng)估結(jié)果

從表1 可以看出，所有患者中最長的預(yù)測(cè)時(shí)間達(dá)到41.30 min（12號(hào)患者），最短的預(yù)測(cè)時(shí)間為6.47 min（5 號(hào)患者）。所有患者的平均預(yù)測(cè)時(shí)間為23.82 min。所有患者中最高的預(yù)測(cè)準(zhǔn)確率為93%，最低的預(yù)測(cè)準(zhǔn)確率為75%，而所有患者的平均預(yù)測(cè)準(zhǔn)確率為86.4%。所有患者中最高誤報(bào)率為50%（15 號(hào)病人），最低誤報(bào)率為19%（6 號(hào)病人），而平均誤報(bào)率為34%。

4 結(jié)論

文中提出一種基于遷移學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)方法，具體做法是以18 例癲癇患者的腦電信號(hào)記錄作為實(shí)驗(yàn)數(shù)據(jù)，根據(jù)巴特沃斯帶通濾波器將原始數(shù)據(jù)劃分為6 組不同頻率區(qū)間的數(shù)據(jù)，用樣本熵作為分類特征。最后使用遷移學(xué)習(xí)后的VGG19 網(wǎng)絡(luò)作為分類器來識(shí)別發(fā)作期的癲癇腦電信號(hào)。該方法的最長預(yù)測(cè)時(shí)間為41.30 min，平均預(yù)測(cè)時(shí)間為23.82 min。最高預(yù)測(cè)準(zhǔn)確率為93%，平均預(yù)測(cè)準(zhǔn)確率為86.4%。最低誤報(bào)率為19%，平均誤報(bào)率為34%。實(shí)驗(yàn)結(jié)果表明，該方法可很好地用于癲癇發(fā)作的預(yù)測(cè)。

文中方法的不足之處：使用單一特征提取方法不足以反映腦電信號(hào)的特點(diǎn)，導(dǎo)致發(fā)作預(yù)測(cè)準(zhǔn)確率較低。為了解決這一問題，建議使用更多的特征提取方法。然而，在臨床治療中，預(yù)測(cè)的實(shí)時(shí)性是必須關(guān)注的問題。因此，如何解決特征提取維度和實(shí)時(shí)性預(yù)測(cè)是后期要解決的問題。