基于CNN+LSTM和脑电信号的疼痛分类的研究

樊楷，管林，马俊嵩，刘海燕

（1.北华航天工业学院，廊坊065000；2.廊坊市气象局，廊坊065000；3.桂林电子科技大学，桂林541004）

脑电图是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，包含大量的生理和病理信息。近年来，与疼痛相关脑电信号的研究是当前脑认知和临床治疗领域的研究热点和难点问题之一。使用卷积神经网络（CNN）和循环神经网络（RNN）结合的CNN+LSTM网络算法对疼痛和不痛的脑电信号进行二分类，准确率达到96%，与此同时Precision、Recall、F1-score分别达到96%、96%、96%，证明两种网络结合对研究疼痛的脑电信号是可行的。

疼痛分类；脑电图；CNN；RNN；LSTM

0 引言

脑电波信号（Electroencephalography，EEG）是大脑神经活动产生的电场经容积导体传导后在头皮上的电位分布，简称为脑电信号[1]。脑电信号是大脑内部状态变化的反应，其中蕴含了丰富的生理、心理和病理信息。通过研究分析脑电信号，可以深入探索人的心理、脑部疾病的发生和运作的机理，并为脑疾病的治疗指明方向。脑电信号被广泛的应用于各个领域，例如：①作为脑机接口的输入信号[2]；②通过脑电信号临床诊断神经系统疾病[3-4]；③用于研究大脑功能[5-6]。

疼痛是一种看似简单实则复杂的感受，是受感觉、注意、情绪、意识状态和经验因素影响的主观体验，因为其主观性，给疼痛的客观评估和科学诊断造成了非常大的困难。但是，脑电图因为其高分辨的特点能直接评估神经元的激活，并对疼痛活动成分进行解读，在疼痛的评估和预测中起到重要的作用[7]。

近年来，近年人工智能技术引起社会各界广泛的关注，基于脑电图的人工智能技术因其挖掘非侵入性神经成像数据，以建立计算机辅助诊断解决方案，以促进病症诊断的能力而受到广泛关注。李冬使用随机森林（RandomForest，RF）序列后项选择（SequentialBack⁃wardSelection，SBS）相结合的方式进行了分类识别，在不痛与轻痛、不痛与轻痛与重痛分类的准确率分别为92.85%、80.95%[8]；赵颀使用线性判别分析分类器（Lin⁃earDiscriminantAnalysis，LDA）对地方患者在疼痛分类上达到了最高精确度82.21%，使用支持向量机分类器（SupportVectorMachine，SVM）对空勤患者在疼痛分类上达到最高精确度为83.68%[9]；耿惠惠基于双通道时空特征深度学习的新生儿疼痛表情识别中对疼痛的识别率仅仅只有64.18%[10]；可以看到当前国内对疼痛分类识别的研究还有很大的不足，本文在前人的基础上，结合使用最近几年比较火热的深度学习技术在疼痛的分类识别上达到了很高的准确率。

1 数据预处理

在复杂的环境中所采集的脑电信号（EEG）是由不同的信号源（等效源）产生的多路信号的混合信号。脑电信号受到心电、眼动、肌电以及工频等干扰。图1显示了典型的脑电信号及以及它混入的伪迹成分[11]。虽然混入了多种干扰，本次的数据集采集的过程是在病人静息状态下，较多数的干扰来自工频和眼电的干扰。

图1 典型的信号及伪迹成分

脑电信号预处理阶段，我们采用了滤波和眼电图（EOG）来对伪影进行去除。我们采用1到47Hz的带通滤波器来去除工频干扰，以及使用国内外研究学者证明的，有较好效果去除眼电伪迹的ICA算法[12-14]。我们借助EEGLAB自动识别EOG组件。EEGLAB是Ar⁃naudDelorme和ScottMakeig[15]发明的基于MATLAB的工具箱，它是用于EEG信号分析的非常有用的工具。

信号预处理的流程图如图2所示。EEG原始数据通过EEGLABBasicFIR滤波器进行了1-47Hz带通滤波。图3显示14个通道了带通滤波前后脑电图功率谱的。然后，使用EEGLAB的runica函数通过ICA方法对14个通道的滤波后EEG数据进行分解，并获得14个独立的分量信号。

图2 信号预处理的流程图

图314 个通道带通滤波前后脑电图功率谱

图4显示了ICA算法重构后的脑电信号。

图4 ICA算法重构后的脑电信号

2 算法

人工神经网络：一般来说，人工神经网络有三层：输入层、隐藏层和输出层（见图5），经网络的概念是受到人脑复杂网络结构的启发[16]。神经网络是由一组被称为节点或神经元的连接单元组成的。就像大脑中的生物神经元一样，这些神经元整合输入信号，并将其传递给其他相连的神经元。神经元的输出服从前一层神经元的加权和。然而，神经网络模型容易产生平移和位移失真，从而导致分类结果较差[17]。

图5 人工神经网络

卷积神经网络：卷积神经网络是在人工神经网络的基础上改进的神经的网络，改进的神经网络具有平移不变性[17]。CNN的架构由三种不同类型的层组成[18]：

（1）卷积层：由滤波器（核）组成，在脑电图信号上滑动。核是与输入脑电图信号卷积的矩阵，步长控制滤波器对输入信号卷积的大小。该层利用式（1）对输入脑电图信号与核函数进行卷积。卷积的输出也称为featuremap。其中x为信号，h为滤波器，N为x中元素的个数，输出向量为y，下标表示向量的第N个元素。

（2）池化层：该层又称下采样层。池化操作降低了卷积层输出神经元的维数，降低了计算强度，防止了过拟合。在此工作中使用了最大池化操作。Max-pooling操作只选择每个featuremap中的最大值，从而减少输出神经元的数量。

（3）全连接层：该层与前一层的所有激活都完全连接。

本文中使用了两种激活函数：①线性激活单元，②Softmax。激活函数是一种将输出映射到一组输入的操作。它们被用来使网络结构具有非线性。整流器线性单元已确定激活深度学习功能[17]。泄漏整流器线性单元[19]LeakyRelu。在研究中使用作激活功能卷积操作之后使用该激活函数LeakyRelu是在网络中增加非线性和稀疏性的特性结构体。因此，为小变化（例如输入中的噪声）提供了鲁棒性。公式（2）显示了LeakyRelu函数。Softmax：该函数计算k个输出类的概率分布。因此，output使用Softmax函数来预测输入的脑电图信号（疼痛、正常）属于哪一类。x是净输入。p的输出值在0到1之间，它们的和等于1。

LSTM网络：短期记忆网络（通常称为“LSTM”）是一种特殊的RNN，能够学习长期依赖关系。它是由Hochreiter和Schmidhuber（1997）[20]引入的，并在随后的工作中被许多人提炼和推广。它们在各种各样的问题上都表现出色，现已被广泛使用。LSTM被明确设计为避免长期依赖问题。长时间记住信息实际上是他们的默认行为，而不是他们努力学习的东西！LSTM网络中包含三种门分别如下：

（1）遗忘门：LSTM的第一步是决定要从单元状态中丢弃哪些信息。该决定由称为“忘记门层”的S形层决定。它查看ht-1和xt，并在单元状态Ct-1中为每个数字输出介于0和1之间的数字。1代表“完全保留此条件”，而0代表“完全保留此条件”。原理如公式（4）所示

（2）输入门：下一步是确定我们将在单元状态下存储哪些新信息。这包括两个部分。首先，称为“输入门层”的S形层决定了我们将更新哪些值。接下来，tanh层创建一个新候选值C～t的向量，可以将其添加到状态中。在下一步中，我们将两者结合起来以创建该状态的更新。原理如公式（5）、（6）所示。

现在该将旧单元状态Ct-1更新为新单元状态Ct。前面的步骤已经确定了要做什么，我们只需要实际进行即可。我们将旧状态乘以，从而忘记了我们早先决定忘记的事情。然后我们加上it*C͂t。这是新的候选值，根据我们决定更新每个状态值的大小进行缩放。原理如公式（7）所示。

（3）输出门：最后，我们需要决定输出什么。此输出将基于我们的单元格状态，是过滤后的版本。首先，我们运行一个sigmoid层，它决定我们将输出细胞状态的哪些部分。然后，我们将单元格状态通过tanh（将值推到-1和1之间），并将其与sigmoid门的输出相乘，这样我们只输出我们决定输出的部分。原理如公式（8）、（9）所示。

本文采用的算法模型是卷积神经网络和循环神经网络结合的一种新算法。算法流程图如图6所示，预处理后的数据经过8个卷积层，每个卷积层我们使用了改进的激活函数，卷积核的大小是3×3的，步长是1×1的，此外我们使用了填充零来尽可能多的获取边界信息；一共使用了四个最大池化操作，每两个卷积层之后我们使用一次最大池化操作，池化层的卷积核是3×3的，最大池化的步长是3×3的；最后一层的池化之后我们没有直接接全连接层，而是在网络中加入了LSTM循环神经网络，LSTM中的神经元个数是256个，激活函数采用的是tanh非线性函数；在循环神经网络之后设置了两个全连接层，全连接层中我们使用Dropout来降低过拟合，其中Dropout在网络中的值是0.5。随着每次的迭代训练集和测试集上的表现如图7所示，ROC曲线和Precision、Recall、F1-score指标，分别如图8、图9所示。

图6 CNN+LSTM算法流程图

图7 50批次迭代的训练集和测试集的accuracy和loss

图8 Roc曲线和AUC值

图9 Precision、Recall、F1-score指标

混淆矩阵

class0 class1

class0[[1069 21]

class1[43 497]]

其中class0表示正常无疼痛，class1表示有疼痛。

综上所述，从上面的指标来看，正确区分疼痛和不痛的二分类准确率达到了96%，无论是准确率还是Precision、Recall、F1-score这几种分类效果指标以及混淆矩阵上来看，都达到非常好的效果，相比于机器学习算法，该算法有很大的提升，证明了本文提出的CNN+LSTM神经网络深度学习模型优于传统的机器机器学习分类模型，为研究其他脑电信号分析奠定了基础。当然本文中还有需要改进的地方，例如获取更多的样本来测试这种网络。