基于卷积神经网络的癫痫脑电自动分类

丁木涵+王春兴

摘要：癫痫是一种以周期性发作和不可预测性为特點的神经障碍，基于脑电（ EEG） 的癫痫发作自动检测对于患者的准确识别和减轻医护人员的工作强度都具有重要意义。该研究提出了一种与卷积神经网络相结合的方法，实验结果表明， 该方法能有效区分健康脑电和癫痫脑电，间歇期脑电和发作期脑电。

关键词：癫痫；EEG；CNN

中图分类号：TP393 文献标识码：A 文章编号：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

癫痫是一种慢性脑功能障碍综合征，全世界有近6500万人受到癫痫的困扰，约占世界人口的1%[1]。引起癫痫的病因多种多样，病程长期反复，不仅严重危害患者健康，还会给患者带来巨大的精神压力[2]。脑电图的发展提供了一种无创和低成本的有效技术，可以在临床中试验探测大脑皮层的脑活动和相关疾病。大量研究表明，癫痫脑电与正常脑电显著不同。癫痫患者的脑活动通常包括发作间歇期和发作期，当脑活动从一种状态向另一种状态演变时脑电信号会发生较为明显的变化，因而，脑电图是临床诊断癫痫的重要依据[3-4]。

临床上常用的癫痫检查手段之一的长程脑电检查，是经过专家的目测来分析脑电信号，以此确定癫痫发作的情况，有助于医生发现病人的病灶并进行相应的治疗，但人工观察和检测长程脑电信号是一项复杂而耗时的工作，繁重的工作量容易引起医护人员疲劳而导致人工检测结果的不准确，而且往往要通过专业经验来做出判断，因此脑电图的自动检测与分类就越发显得迫切与重要[5]。

20世纪60年代以来，癫痫技术有了很大发展，提出了多种分类方法，目前癫痫检测的方法主要分为线性方法和非线性方法等。线性方法，如时域分析等，较为直观，但信息单一，识别率不高。目前已有许多研究表明大脑可能是一个混沌系统，有许多主要基于混沌理论的非线性方法已经应用于分析脑电信号，如复杂度、相关维数、Kolmogorov熵、Lypaunov指数等，从而实现对癫痫的自动检测[6-7]。

人工智能以及人工神经网络也已经被大量生应用于癫痫波形检测，本研究提出了一种基于卷积神经网络的癫痫分类方法，利用卷积神经网络在识别分类方面的优越性能，可以有效地识别正常脑电和癫痫脑电，间歇期脑电和发作期脑电。

2 对象与方法

2.1 实验数据构成

本文所用的癫痫数据由Andrzejak et al. （2001）所描述的数据库。整个数据库包含3个数据集（记为F、S和Z），每个数据集各包含100个单通道的EEG片段，持续时间为23.6秒，采样频率为173.6赫兹。这些数据是对全部记录进行数据检查后，从连续多通道脑电记录中选择出来的。集合Z选取的是五名健康志愿者在放松清醒并睁眼的时候使用标准化电极获取的脑电记录。集合F和S源于术前诊断脑电图档案，集合F记录了癫痫间歇期的脑电信号，集合S仅包含癫痫发作时的信号。所有的EEG信号都用相同的128通道放大器系统记录，使用平均公共参考。这些数据在每秒173.61个采样点使用12位分辨率进行数字化，它们的采集系统的频谱带宽从0.5赫兹到85赫兹不等[8]。

2.2 卷积神经网络

卷积神经网络是人工神经网络的一种，已经成为众多众多科学领域的研究热点，特别是在语音分析和图像识别领域。20世纪60年代初期，Hubel和Wiesel等通过研究猫的大脑视觉皮层系统，提出了感受野的概念。到了80年代中期，日本学者Fukushima等基于感受野概念提出的神经认知机，可以看作是卷积神经网络（CNN）的第一次实现[9]。

CNN是第一个真正成功训练多层网络结构的学习算法。它的基本架构思想由感受野、权值共享和下采样组成。第一个思想表示一个神经元在某个阶段只与前一个阶段的几个空间相邻的神经元相连。权值共享表示卷积核的权值在某一阶段的特征映射中是空间不变的。通过感受野和权值共享减少了神经网络训练的参数的个数。下采样也被称为池化，可以减少数据维度。卷积神经网络的核心思想是将这三种结构思想结合起来获得某种程度的位移、尺度的不变性[10]。

本研究中，主要进行两次分类，分别是癫痫患者发作期和间歇期的区分以及癫痫患者和健康志愿者的区分。选取未发作的间歇期脑电和癫痫脑电各1600段，每段256个点。将其中的800段间歇期脑电和800段癫痫脑电组成训练集，剩余的数据用于测试。同理取800段健康志愿者脑电和800段癫痫患者脑电作为区分健康志愿者和癫痫患者的训练数据，剩下的数据分别作为测试数据。endprint

將训练数据信息通过分段重组转化为16×16的二维数据作为输入数据，在区分发作期和间歇期的试验中，规定间歇期脑电标号为“1”，发作期脑电标号为“2”。在区分健康志愿者和癫痫患者的试验中，规定健康志愿者脑电标号为“1”，癫痫患者脑电标号为“2”。本次研究采用 2 组卷积和下采样层（如图1），以提高预测的准确率。考虑到 sigmoid 函数有良好的非线性映射特性，故变换函数统一采用 sigmoid 函数。网络训练中学习率取为15，训练批大小为200，迭代次数为2000。同样将测试数据也转化为16×16的数据输入训练好的网络，其最终输出为标号“1”或“2”用来区分测试数据。若输出标号与该输入测试数据的真实情况相匹配，则表明识别正确，反之则错误。

从图1可以看出，卷积神经网络的结构由输入层，隐含层和输出层组成。隐含层包括卷积层，下采样层以及传统多层感知机中的隐层。本次研究中测量系统不包含输入层共有7层，每层都包含可训练参数。

对上述数据做发作预测分析，如果需要分析的输入数据是癫痫患者发作期和间歇期的片段，得到的敏感性为80.5%，特异性为85.75%%，总识别率83.125%。如果对不患癫痫的健康志愿者和癫痫患者间歇期的数据片段进行实验分析，得到的总识别率为80%。

4 结论

本文以脑电信号为研究对象，构建了一种癫痫发作自动检测算法，可以有效地识别出该脑电是否是癫痫患者脑电以及癫痫是否处于发作期。对癫痫脑电数据进行分析的结果表明，当检测癫痫患者是否发作时，敏感性为80.5%， 特异性为85.75%，总识别率为83.125%；当检测是否是癫痫患者时，总识别率为80%。由于头皮脑电信号可以实现长程采集， 因此利用大量的数据构建更为有效的预测算法， 是今后值得进一步研究的方向。

参考文献：

[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， 万小勤， 左晶，等. 基于独立成分分析的癫痫脑电分析算法[J]. 电子世界， 2017（5）：8-9.

[3] 李冬梅， 张洋， 杨日东，等. 经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用[J]. 生物医学工程研究， 2017， 36（1）：33-37.

[4] 刘小峰， 张翔， 王雪. 基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别[J]. 纳米技术与精密工程， 2015（6）：397-403.

[5] 蔡冬梅， 周卫东， 刘凯，等. 基于Hurst指数和SVM的癫痫脑电检测方法[J]. 中国生物医学工程学报， 2010， 29（6）：836-840.

[6] 袁琦， 周卫东， 李淑芳，等. 基于ELM和近似熵的脑电信号检测方法[J]. 仪器仪表学报， 2012， 33（3）：514-519.

[7] 周红标， 陈若珠， 李军红. 基于小波包变换的癫痫脑电信号特征提取[J]. 电子测量技术， 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] 卢宏涛， 张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述[J]. 数据采集与处理， 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