基于改进的LSTM癫痫预测算法研究

汤云琪，郭滨，李可欣

（长春理工大学 电子信息工程学院，长春 130022）

近年来，癫痫疾病已经成为了人们乃至医学界困扰的难治性疾病［1-3］，它的突发性与反复性不仅对人的生命带来了危险，也对生活造成极大的负担。癫痫发作的临床表现复杂且多样性，可表现为发作性运动、感觉、自主神经、意识及精神障碍等，所以如果能够通过采取一些措施来预测癫痫的发作是非常有必要的。

脑电信号（EEG）是人类脑神经细胞的电生理活动在大脑皮层的一种总体信息反映［4］。在临床医学的研究方面，人们可以通过对患者进行不同的刺激或者外力帮助下观察脑电信号的变化，达到对癫痫疾病的有效预测和预防［5］。2018 年，韩凌［6］利用多变量相位同步参数、Hil⁃bert边缘谱和Hilbert加权频率组成的三维特征向量作为空间频率特征值，并将其作为支持向量机的输入，实现了80%的灵敏度的癫痫发作预测。2018年，刘伟楠［7］先对睡眠的脑电信号构建特征向量，再利用支持向量机（SVM）实现预测分类，灵敏度达100%。误报率达2.11%。

本文提出一种基于改进的LSTM网络模型的癫痫预测算法，采用小波变换对经过预处理的脑电信号（EEG）提取特征信息作为LSTM网络的输入向量，将电子搜索算法和BPTT算法结合来调整网络训练权重系数，利用电子搜索算法的收敛性与快速性提高网络的性能，从而实现癫痫发作的准确预测。

1 方法

1.1 小波变换特征提取

脑电信号可以更加全面的反映脑神经的状态和运动趋势，在得到一段脑电信号后，首先需要将脑电信号中所包含的Delta波、Theta波、Alpha波、Beta波以及Gamma波完整提取出来，这5个波的频率区间如表1所示。

表1 脑电信号的频率分布

本文选择小波变换［8-9］作为脑电信号特征提取的方法，通过小波变换处理，可以将脑电信号分为 D1、D2、D3、D4、D5、D6、D7、D8共 8个频段。而脑电信号的频率分布大部分在4～ 32 Hz，所以本文选择D4、D5、D6波段作为特征提取的依据。

1.2 长短时记忆网络（LSTM）

长短时记忆网络［10-11］（LSTM）是在循环网络（RNN）的基础上进行了记忆时间的改进，从而解决RNN网络因梯度爆发和消失的问题，达到网络训练模型的长期依赖关系。LSTM整体网络框架相较于RNN差异不大，具有相同的重复的神经网络模块。RNN生物核心主要是隐藏层的设计，图1显示的就是展开的循环网络。

图1 展开的循环神经网络

将循环神经网络展开后，xt和At-1作为输入向量具有多个变量，ht和At作为输出向量。在标准的RNN中，其重复的模块只有一个简单的结构，例如tanh层，因此很容易发生梯度消失和爆炸。LSTM在RNN的基础上进行了隐层网络结构上的改进，在模块中添加门操作，如图2所示。

图2 LSTM的核心交互层

LSTM在循环神经网络的基础上添加了遗忘门、输入门、输出门和记忆单元。

式中，it表示输入门；ft表示遗忘门；ot表示输出门；C͂t表示输入的信息；Ct表示当前网络所表示的信息；ht表示当前时刻输出的信息；σ是sigmoid函数；b为偏置项。遗忘门决定丢弃哪部分信息，输入门确定哪些新的信息可以存储，输出门用来控制信息的过滤情况。三个门操作是相互独立且同步传递工作的，隐藏状态信息ht-1和细胞状态信息ct-1由前一时刻xt-1传递给xt时刻，先通过遗忘门操作筛选保留，如公式（2），再通过输入门操作将前一层隐藏状态的信息ht-1和当前输入的信息传递到σ函数中。将值调整到0-1之间来决定要更新哪些信息，见公式（1）。最后，将前一个隐藏状态和当前输入传递到σ函数中，然后将新得到的细胞状态传递给tanh函数，最后将tanh的输出与σ的输出相乘，以确定隐藏状态应携带的信息，见公式（3）-（6）。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时刻。

1.3 电子搜索算法

电子搜索算法（Electronic Search Algorithm）［12］是基于Bohr模型提出的一种新的优化算法，由随机分布的各种原子构成的分子空间作为可行解的空间域，电子通过圆周运动发生轨道跃迁，以达到更高的能级，类似于目标函数的最优解，总共分为三个阶段：

1.3.1 第一阶段--原子扩撒

可行解随机分布在搜索空间内，每一个原子都由原子核及核外电子构成代表一个初始解，电子通过吸收或释放特定的能量发生轨道跃迁［13］。

1.3.2 第二阶段--电子轨道跃迁

每个原子核周围的电子开始移动到能级更高的轨道上，这种转变可以表示为：

其中，ei为电子；posi为第i个原子核当前位置；n代表电子可以被定位的能量级；r是由Dk确定的轨道半径。在经过轨道跃迁后，每个原子核周围能量级最高的电子成为最佳电子(ebest)，就是最佳适应度函数值。

1.3.3 第三阶段--原子核迁移

根据Rydberg公式，通过计算两个原子之间的能量差来确定原子核的新位置，具体公式如下：

其中，k是迭代次数；Dk是原子核迁移的距离，是由当前最佳原子核位置posbest，围绕原子核最佳电子ebest，原子核当前位置posk以及Rydberg能量常数系数Rek共同决定的，而迁移后的原子核新位置posnew受加速系数Ack的影响，通过公式（9）的计算，使原子朝着当前全局最优方向移动，其中初次迭代时的Ack和Rek的系数是随机设置的，它们决定了位置变化的收敛速度，具体的原子轨道调节公式如下：

其中，n为原子个数；Aci和Rei是原子核的算法系数；原子核的适应度函数值由f表示；Rebest和Acbest是posbest的算法系数；Rek+1是Rydberg能量常数；Ack+1是第k+1次迭代的加速系数。

1.3.4 收敛准则

停止准则即一旦可选解的迭代停止，则整个算法停止。一般的遗传算法、粒子群算法等这类演化算法的停止准则一般会选择设置最大迭代次数或者采取一些其他的方案来找到最佳迭代次数这两种方法来考虑算法的收敛性。本文采用设置最大迭代次数作为结束算法的条件，原子核根据公式（10）和公式（11）来更新参数Re和Ac，并重复原子扩散，电子轨道迁移以及原子核迁移这三个步骤，再进入下一次迭代过程，通过不断的重复，使得原子核逐渐找到全局最优的位置，以达到算法的最大优化，电子搜索算法的具体流程图如图3所示。

图3 电子搜索算法流程图

2 实验

2.1 脑电信号来源

本文的脑电数据来自于德国弗莱堡医学院脑电数据库，由21组癫痫患者的脑电信号构成。癫痫发作的时间不同，最短的是12秒，最长的达到了15分钟，所有病人都是难治性癫痫疾病，对病人的癫痫信号数据进行整理，如表2所示。

表2 德国弗莱堡脑电数据库患者脑电信号数据

2.2 基于小波变换提取的特征

通过小波变换［14-15］对脑电信号分解重构，可以获得癫痫疾病在发作前和发作时不同的波段频率和特征，以此来训练模型达到更好的分类预测效果。利用小波变换提取的Db4，Db5，Db6波段，将发作时异常的脑电信号区分出来作为特征标记，更准确的预测和判断癫痫发作时期和发作间期的特点，并将其输入LSTM网络，有效的训练模型。

2.3 改进的LSTM网络

本文提出的改进的LSTM模型，主要是对传统的LSTM模型采用BPTT随时间反向传播算法和ESA电子搜索算法结合训练模型。BPTT算法计算并传递参数梯度误差，ESA优化算法负责更新LSTM网络的权重系数，如图4所示。由ht确定ht-1的误差，并对从门操作层传播回来的梯度求和。ct-1由ct决定，而ct的误差由两部分决定，一部分是ht，一部分是ct+1，所以在计算ct反向传播误差的时候，需要传入ht和ct+1，而ht在更新的时候需要加上ht+1，这样就可以从t时刻向后计算任意时刻的梯度，再利用BPTT计算并传递参数梯度误差，准确判断网络训练情况，ESA算法优化算法更新网络权重，加快和精确网络训练。

图4 ESA+BPTT优化网络

将D4、D5、D6小波变换提取出来的特征作为LSTM网络的输入，普通网络层对输入的小波特征进行分解学习，再传递给LSTM核心隐藏层，共有5层LSTM隐藏层，每层设置10个隐藏单元对输入进行学习和记忆，最后通过全连接层对隐藏层信息进行分类预测，整个实验流程如图5所示。

图5 实验流程

3 比较与讨论

本文利用21组病人中的10组病人的发作前期和发作间期的脑电信号通过小波变换进行特征提取后训练改进的LSTM网络，然后再利用剩余的11组病人的脑电信号进行相应的小波变换，并利用训练好的改进的LSTM模型，LSTM模型以及SVM模型分别进行癫痫发作的分类预测。

对于改进的LSTM网络，本文选用了电子搜索算法对模型进行优化，实验中，将原子数设置为30，并且最大迭代次数设置为200次，图6（a）和图6（b）分别显示的是三种模型对预测精确度和敏感度的统计比较分析图。

图6 三种模型的预测准确度和敏感度

如表3总结所示，改进的LSTM网络的预测分类平均精确度达93.7%，平均敏感度为93.5%；传统LSTM网络的平均精确度为91%，平均敏感度为89.7%；而SVM网络的平均精确度为88.1%，平均敏感度为85.4%。可以看出，改进的LSTM网络相较于传统的LSTM网络和SVM网络在精确度与敏感度方面都有所提高。

表3 模型比较

SVM模型只能对某一小段时间内小波变化提取的特征进行预测分类，放大了信息量的间距，所以分类误差造成的结果较大，而LSTM模型则能够较好的分析脑电信息间的关系，得到更为准确的预测分类结果，所以经过电子搜索算法优化过的LSTM模型的精确度更高。

4 结论

本文提出一种基于LSTM网络模型改进的ESA-LSTM癫痫发作预测分类方法，先对脑电信号进行预处理，再利用小波变换提出EEG特征作为网络输入参数，并在传统的LSTM网络基础上，通过合理调节LSTM隐藏层数目，将ESA算法与BPTT算法结合调节网络训练权重参数，对输入的癫痫病人脑电信号可以实现准确的分类预测，经实验验证，该方法可以实现癫痫疾病的93.7%的预测平均精确度与93.5%的平均敏感度，利用电子搜索算法收敛速度快的特点，可以更快速有效的适用于癫痫预测分类应用方面。