基于最优通道获取与迁移学习的癫痫脑电分类

杨彬，杨晓利，李振伟，吴晓琴，韩家祺

（河南科技大学医学技术与工程学院，河南洛阳 471000）

癫痫患者可以是任何年龄段的人群，癫痫病的病因主要是大脑细胞异常放电，并且这个异常放电的电位点不确定，可能是大脑的任意部位[1]。癫痫发作轻微时可使患者意识短暂丧失，严重时则会危害患者生命[2]。脑电图是一种非侵入性工具且成本低，是诊断癫痫病最有用的工具。癫痫的诊断主要依靠医生对脑电图的检查分析，耗时耗力[3]，而且医生在长时间的工作下，有很大可能出现误判的问题，因此，对癫痫脑电信号的自动快速分类识别对癫痫病的检测有重要的意义，能在很大程度上减轻医生的负担和提高诊断效率。文献[4]介绍了一种动态模式分解方法来测量不同频段信号的功率，但特征提取过程相对繁琐。文献[5]提出生成对抗网络的方法，采用监督和半监督学习方法。文献[6]提取单导联脑电小波能量特征来对癫痫脑电信号进行分类，但是癫痫发作时，各脑区之间有一定的联系[7]，各电极之间的脑电信号也会存在相互影响。目前大量癫痫分类研究，只考虑癫痫信号与正常信号的分类，缺乏针对癫痫患者的特异性识别，不同癫痫患者的病灶区不同，目前无法十分精确地定位癫痫病灶区[8]，各极导联表现出的病理特征也会存在差异，导联过多，会增大计算量。并且电极数量过多，长时间穿戴会给病人带来心理负担和不适感[9]，为了更接近于临床需求，应使用尽可能少的电极，电极少不仅在采集信号时能够减轻病人的负担，而且可以减少数据量，减少计算时间，提高诊断效率。因此提出一种针对不同患者的特异性癫痫脑电识别方法。

1 数据处理

1.1 实验数据

实验采用的数据来自CHB-MIT 数据库。CHBMIT 数据库数据采样频率为256 Hz，共24 种病例，记录了每种病例23 个通道，46 h 的脑电数据，并且每次癫痫发作的起止时间均已标记。该数据库没有提供EEG 记录时的监测视频，无法获取病人的活动情况，因此在对患者脑电数据处理之前，将所有癫痫脑电数据在Matlab 中进行初步筛选，去掉噪声干扰较大的片段，保留无噪声干扰或干扰较小的片段。

1.2 预处理

脑电信号的有效频带范围在32 Hz 以内，为了获得脑电信号有效的时间以及频率信息，采用离散小波变换[10]（Discrete Wavelet Transform，DWT）对脑电信号进行处理，DWT 可以将目标信号自适应地分解到时频空间并获得很好的时间分辨率和频率分辨率。将原始信号f(t)进行j尺度DWT[11]，其变换公式为：

其中，ψ(t)为小波基函数，j为不同尺度标号，k为平移因子。

通过DWT，原始信号f(t)被分解为近似系数aj,k和细节系数cj,k，其表达式如下：

其中，h0(k)为低频滤波，h1(k)为高频滤波。

该文所使用癫痫脑电数据采样频率为256 Hz，而脑电信号有效频段通常在低频段，对原始癫痫脑电信号进行尺度为3 的小波分解[12]，就可以提取出各个频带的信号，并保留频率在32 Hz 以内的信号，以达到滤波和信号分解的效果。由于db4 小波波形与癫痫特征波中的棘波近似程度最高，小波分解中的母小波采用db4 小波。

1.3 频谱不对称分析

该文所使用的脑电信号数据采集使用了23 个通道，为了选取最优通道信号，采用频谱不对称分析的方法。该方法是利用功率谱密度，计算出单个通道信号能量比率的算法[13]。相关研究表明，癫痫发作时δ波（2～4 Hz）与θ波（4～8 Hz）活动具有明显特征[14]，并且出现δ波的患者更容易发生癫痫[15]，因此在进行频谱不对称分析时，采用δ波与θ波，计算出δ波与θ波相对性差异，来表示脑电信号的频谱不对称性。首先计算出δ波与θ波的平均功率：

然后比较δ波与θ波功率的相对差异，其频谱不对称指数（SASI）计算如下[16]：

以CHB-MIT 数据库中患者chb 01 为例，该患者共发作7 次，分别计算出7 次23 个通道的SASI 值，如图1 所示。癫痫发作时对应通道的SASI 值越大，说明癫痫发作越明显。

图1 患者chb01的7次发作SASI值

为了得到分析癫痫发作时的最优通道，将7 次发作的SASI 值分别两两计算出皮尔逊相关系数值[17]，根据皮尔逊相关系数值大小，得到一个最大值，对应两次发作，如图2 所示，第6 次与第7 次发作相关系数值最大，因此选取第6 次与第7 次发作作为研究对象。为了保证两次发作对应通道的SASI 都是极大值，将两次对应通道的SASI 值进行叠加，得到两次发作叠加后的SASI 值，其SASI 最大值对应的导联就为最佳通道。此处将第6 发作和第7 次发作的SASI值进行叠加，如图3，通道4 对应的SASI 值最大，因此获得患者chb 01 的最优通道为通道4。

图2 患者chb01的7次发作相关矩阵

图3 两次SASI值对照

对所有患者进行频谱不对称分析，获得的最优通道如表1 所示。

表1 所有患者最优通道

1.4 时频分析

采用频率切片小波变换[18](Frequency Slice Wavelet Transform,FSWT)对信号进行时频分析。

假定f(t)的傅里叶变换式为f̂(u)，那FSWT 在频域中的表达式为：

一般设λ=1，为能量因子；p̂是频率切片函数；t和ω分别表示时间和频率；“*”代表共轭运算；σ通常为常数或与ω、t和u有关的函数，一般设为ω/k(k＞0)。所以，式（7）可表示为：

假定=1，信号以如下公式重构：

设置信号的时间和频率范围，用式（10）进行积分，就能得到对应时频域片段的信号分量。

调整t1、t2、ω1、ω2的值，即时间和频率的范围，即可得到所需频带的信号。

对信号每2 s进行一次变换，输出一张时频图，时频图纵坐标为时间0～2 s，横坐标为频率0.5～32 Hz，将癫痫脑电信号的时频图和正常脑电信号的时频图分开保存，以作为卷积神经网络二分类的输入数据，用以进行分类判别。患者chb 01 一次时频变换的时频图如图4 所示。

图4 癫痫脑电时频图

1.5 迁移学习

传统机器学习需要庞大的数据量，在目前大数据时代，获取领域所需求的庞大数据还有一定难度，并且在监督学习中，需要人工将数据集逐一添加标签，耗时耗力，而迁移学习可以解决以上问题。迁移学习在源领域上可以建立一个针对目标领域的新模型，且仅需要少量训练数据[19]。

2 优化InceptionNet-V3模型

2.1 InceptionNet-V3模型

InceptionNet-V3模型总共有46层[20]，11个Inception模块，96 个卷积层，InceptionNet-V3 模型实现了1 000 类别分类，该文利用该模型对癫痫脑电信号进行迁移学习分类，区别出癫痫与正常状态，所以需要替换掉最后一个全连接层，变为二分类，在对模型进行训练时，仅需要训练替换后的全连接层，并对模型采用损失函数和梯度下将算法进行优化处理。

2.2 损失函数与梯度下降算法

使用交叉熵损失函数和随机梯度下降算法对InceptionNet-V3 卷积神经网络模型进行优化。

交叉熵公式如下：

其中，P表示实际分类结果，Q表示优化后的InceptionNet-V3 卷积神经网络模型的分类结果，x为分类的准确率。在求解损失函数时，将每一个样本的交叉熵损失-p(xi)log2q(xi) 记为L(pi,qi,ω)，则对于总损失函数，梯度下降需要计算：

在梯度下降算法中，每一步均从训练集中均匀抽出一小批样本X＇={x1,x2,x3,…,xx＇}，则梯度估计可以表示为：

使用来自小批量X的样本时，梯度下降为：

其中，σ为学习率，该方法在训练时学习率为0.01；ω为函数的输入参数，在深度神经网络中，ω通常指神经网络中的参数。梯度下降就是朝着损失更小的方向更新参数ω，使得损失函数的值最小。

为了平衡随机梯度下降算法的性能，每次计算一个batch 的总损失值，以达到减少收敛所需要的迭代次数。在反复试验的基础上，最终训练batch 的大小设置为30，迭代次数为10 000。

3 实验结果与分析

3.1 评估方法

采用10 折交叉验证法[21]对模型进行训练，评估分类效果的三个量为准确率、敏感度、精确率。

1）准确率

准确率是反映分类器效果最基本的量，其计算公式为：

其中，ACC 表示准确率，TP 为真正例，TN 为真反例，FP 为伪正例，FN 为伪反例。

2）敏感度

敏感度表示癫痫脑电信号被识别出来的百分比。其计算公式如下：

其中，SEN 表示敏感度。

3）精确率

精确率表示被识别为癫痫脑电信号中实际为癫痫脑电信号的百分比。计算公式如下：

其中，PRE 表示精确率。

3.2 结果分析

表2 为CHB-MIT 数据库中所有癫痫患者的最优通道分类的结果。

表2 最优通道分类结果

从结果可以看出，患者chb 09 分类准确率达到最高，为95.8%，敏感度为100%，患者chb 18 准确率最低，为75.0%。并且可以发现，患者chb16 准确率为81.8%，但是敏感度为100%，说明实际癫痫信号在预测分类时，全部被识别出来，但是准确率较低，说明正常脑电信号被误判为癫痫脑电信号，患者chb 01、chb 02、chb 09、chb 16 敏感度达到100%，癫痫脑电信号均被识别出来，但是存在将正常脑电信号误判为癫痫信号的情况。24 位患者平均准确率为83.95%，平均敏感度为86.39%，说明对癫痫信号识别率高，但对正常脑电信号识别较低。

在CHB-MIT 数据库对比文献[4]和文献[5]所提出的方法，文献[4]提出动态模式分解方法准确率略低于该文方法，平均敏感度为87.32%，略高于该文的86.39%，但文献[4]中最低敏感度为40%，而该文中最低敏感度为70.3%；文献[5]提出生成对抗网络的方法，采用监督和半监督学习方法分别实现了92.30%和84.61%的最高准确率，其最高准确率低于该文方法。对比文献[4]和文献[5]，该文方法能达到很高的准确率，能有效地识别癫痫脑电信号，但是也存在一定不足，主要体现在对不同患者的识别存在一定的差异性，对癫痫脑电识别率较高，但是对正常脑电识别率较低，因此该文方法在对正常脑电的识别方面有待进一步改进。

4 结论

该文针对不同癫痫患者提出一种最优通道获取的方法，采用频谱不对称分析，选取最优通道进行癫痫分类研究，提取最优通道信号，采用频率切片小波变换时频分析和迁移学习，直接对时频图进行自动特征提取，作为卷积神经网络的输入。结果表明，针对不同患者分类，最高准确率达到了95.8%，可有效地识别出癫痫脑电信号，该方法使用单通道节省了大量的特征提取所消耗的时间和计算时间，使用迁移学习节省了模型训练的时间。通过该方法寻找到患者的最优通道，就可以避免患者在后续检测治疗中穿戴含有大量电极的设备，从而改善患者检测条件，提高诊断效率。但结果表明，对正常脑电信号的识别存在一定不足，怎样解决将正常脑电误判为癫痫脑电的问题，增强模型的泛化能力，将是下一步工作的重点。