卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建

3.0 闻远设计 2024-03-11 87 4 605.41KB 11 页免费

侵权投诉

卷积神经网络和迁移学习理论下癫痫发作状态

识别模型的构建

　　摘要：随着对癫痫状态神经元电活动研究的不断深入，针对癫痫患者的电磁刺激疗法备受

关注，自动准确地识别癫痫发作状态是及时准确地实施电磁刺激的关键。因此，构建了一种由

通用模型向个性化模型迁移的癫痫发作状态识别方法。首先，基于多个病患的脑电数据，采用

一维卷积神经网络建立癫痫状态识别的通用模型，学习不同病患癫痫发作时脑电状态的共性特

征，以实现对不同病患癫痫发作状态的通用识别；其次，基于单个病患的脑电数据，通过迁移

学习将通用模型的参数迁移到个性化模型之中以简化模型训练、加速收敛，讨论了通用模型参

数向个性化模型迁移的全面迁移方式和卷积层参数迁移方式的性能。使用 CHB-MIT 数据库中

17 例病患的长程脑电记录数据对算法进行验证，最终所有病患个性化模型的平均准确率达到了

91.04%.基于个性化模型对病患的长程脑电记录进行癫痫发作起止时间判断，模型对癫痫发作

和结束状态的检出率达到了 96.43%和89.29%.结果表明，该模型发挥了深度学习无需手动提

取、选择特征的优势，为癫痫状态识别方法用于癫痫治疗方案的开发提供了参考与依据。

Abstract:With the deepening of research on the electrical activity of epileptic neurons,electromagnetic

stimulation therapy for epileptic patients has attracted considerable attention. Automatic and accurate

identification of epileptic seizure status is the key to the timely and accurate implementation of

electromagnetic stimulation. In this study,a novel patient-specific seizure state recognition technique

based on convolutional neural network（CNN）and transfer learning is proposed. First,on the basis of

the electroencephalogram（EEG）recordings from multiple patients,the one-dimensional CNN is

used to establish a general model for epileptic seizure state recognition. The general model is used to

learn the common characteristics of EEG during seizures in different patients to achieve general

recognition of seizure states. Then,on the basis of the EEG recordings from inpidual patients,the

parameters of the general model are transferred to the personalized model using transfer learning to

simplify model training and accelerate convergence. The model performance of the overall migration

and convolution layer parameter migration modes of universal model parameters to the personalized

model is also discussed. Finally,the algorithm is applied to long-term scalp EEG recordings of 17

patients in the CHB-MIT database. The average accuracy of all patient personalized models reaches

91.04%. On the basis of the personalized model,the patients' long-term EEG recordings are used to

judge the onset and end of seizures. The detection rates of the onset and end of seizure states reach

96.43% and 89.29%,respectively,in the test dataset. Thus,the EEG-based seizure state recognition

model using CNN and transfer learning could be used in the development of treatment programs for

patients with epilepsy.

Keyword:epilepsy; convolutional neural network; transfer learning; personalized model;

癫痫是一种由大脑神经元异常放电引起的慢性大脑疾病，具有不确定性、反复发作的特点[1].

癫痫状态自动识别不仅可以用于监测病患是否发病，也为癫痫电磁刺激疗法提供支持。对于一

个闭环的电磁刺激控制系统，对癫痫发作状态应具有较好的识别准确率和实时性[2],而针对特

定病患的癫痫发作状态自动识别算法是关键所在。

癫痫发作期间，脑电信号表现为棘波、尖波、棘慢复合波、尖慢复合波，被认为是临床上检测

癫痫样放电最显著的特征波形。癫痫状态识别通常通过对脑电片段进行特征提取后进行分类识

别，目前主要基于时域分析、频域分析、时频分析以及非线性动力学分析等技术提取特征。随

着深度学习方法理论日益完善，深度学习模型在图像识别与分割、语音识别等领域都取得了很

好的成果，在脑电信号分析处理中也逐渐取代了部分传统模式识别方法，得到了较广泛的关

注。Acharya 等[3]在2017 年将卷积神经网络用于癫痫脑电数据处理，最终在 BONN 大学的 i

EEG 数据集上达到了 88.67%的识别准确率；Yao 等[4]基于双向长短时记忆网络（LSTM）对癫

痫脑电发作检测的平均精确度达到了 88.63%.单绍杰等[5]在提取小波能量特征的基础上，将

LSTM 应用到单导联癫痫脑电发作预测中。

然而，由于不同病患之间的个体差异较大，训练一个识别准确的通用模型是很困难的，难以达

到理想的识别效果。因此，考虑到病患的个体差异性，为其训练一个个性化的分类识别模型，

以提高识别准确率，实现癫痫状态识别的个性化。

基于深度学习构建癫痫状态识别模型[6,7],相比于现有的基于特征提取和机器学习方法，无需手

动提取、选择特征。癫痫作为一种神经系统疾病，不同病患之间异常脑电活动存在一定的共

性，因此，本文提出一种癫痫状态识别的通用模型，采用一维卷积神经网络对不同病患的癫痫

脑电进行分类辨识。同时基于通用模型使用迁移学习的方法为每个病患训练特定的个性化模型

以实现癫痫状态识别。个性化模型基于迁移学习构建，具有收敛快速、数据量需求小的优点

[8],在病患 EEG 数据库更新时无需再次重新训练模型。

　　 1　方法

1.1 通用模型

癫痫状态识别通用模型基于一维卷积神经网络（1D-CNN）实现。模型一共包含 3个卷积层、3

个最大池化层和 2个全连接层。1D-CNN 接收长度为 512 的样本作为原始输入，卷积层和池化

层的步长分别设置为1和2,其核的大小分别为 5和2.3 层卷积操作中卷积核的个数分别为

16、32、64,在卷积过程中对样本边缘进行补零填充，使得经过卷积层的特征映射输出与输入尺

寸相同。模型的结构如图1所示。

原始输入经过 3个卷积层和 3个池化层之后得到大小为64×64 的特征映射，然后将二维特征映

射展开成一个长度为 4 096 的一维张量，再经过两个全连接层降维之后进入 Softmax 层计算输

入样本属于各类的归一化概率，最后得到输入样本的模型判断类别。1D-CNN 模型使用 ELU 函

数作为各中间层神经元的激活函数，同时基于 Softmax 函数输出计算二值交叉熵损失函数。

图1 一维卷积神经网络的结构与参数

Fig.1 Structure and parameters of 1D-CNN

1.2 基于参数迁移的癫痫状态识别个性化模型

通用模型可以用于病患脑电状态的初步判断，在获得新病患的脑电数据记录时也可使用通用模

型进行预标注，同时通用模型的参数以及训练过程也可以为特定病患个性化的癫痫状态识别模

型训练提供支持。

1.2.1 参数迁移方案

癫痫状态识别个性化模型基于训练好的通用模型实现参数迁移。参数迁移有两种方案：全面迁

移和卷积层迁移。

全面迁移是将个性化模型的结构与参数完全按照通用模型实现，即在通用模型上更换不同的个

性化数据集，调整学习率进行二次训练从而得到特定病患的个性化模型。

卷积层迁移是把通用模型的卷积池化组合部分的结构与参数迁移到个性化模型之中，但是模型

最后几层的参数做重新训练，且模型最后几层的结构也可以做出一定程度的调整以更好地适应

个性化状态识别任务。

1.2.2 个性化模型结构与参数

癫痫状态识别个性化模型结构与通用模型的结构（图 1）相似，都是基于 3个卷积层、3个池

化层和 2个全连接层的组合。

个性化模型的激活函数与优化方法与通用模型一致，分别使用 ELU 函数和 Adagrad 算法，未经

参数迁移的全连接层使用 He 方法进行初始化。模型的损失函数也同样使用二值交叉熵函数。

　　 2　实验方法与结果

2.1 数据来源及预处理

本文使用的脑电数据来源于美国国家综合医学研究所（NIGMS）和国家生物医学影像与生物工

程研究所（NIBIB）提供支持的生物医学信号研究资源网站Physio Net 中的 CHB-MIT 数据库

[9].数据库包含了23 例来自波士顿儿童医院的病患的脑电数据，记录了实验被试在撤去抗癫痫

药物治疗后的情况下连续几天内监测采集到的头皮 EEG 信号，其中病患的年龄区间为 3~22

岁。数据库给出了每个病患每次癫痫发作的起止时间标注信息以便研究。数据库中的 EEG 数

据采用国际化标准的 10~20 双极导联法记录，可以减少无关电极的干扰。采样频率为 256 Hz,

数据库记录了病患们23 个通道的差动EEG 数据。

依据数据库提供的癫痫发作起止标注信息，首先截取每个记录中病患发作期的数据片段。然后

以2 s 时间窗对发作期数据进行分段截取[10],得到若干病患 EEG 数据的正样本。其中窗口重叠

率为 50%,即移动步长为 1 s,以此实现数据增强。然后在病患非发作期时段以相同的时间窗设

置，随机截取和正样本数目相同的非发作期 EEG 数据片段作为负样本。

根据对 23 个病患的 EEG 数据经过截取后单通道的正样本数目分析可知，病患

chb02、chb06、chb09、chb14、chb16 和chb21 的样本数目比较少（低于200），因此选取除上

述病患之外17 名病患的 EEG 数据进行分析研究。

对截取的原始 EEG 数据进行滤波，采用 5层小波分解进行癫痫信号的降噪与重构，只保留

delta、theta、alpha、beta 频段的数据。选择波形与癫痫发作时的棘波相似且有紧支撑的db5 小

波作为母小波。

2.2 通用模型数据集构建与识别结果

2.2.1 通用模型数据集构建

为了建立通用模型，需要构建包含不同病患 EEG 数据样本的通用模型数据集。首先把数据库

中各个病患原始 EEG 数据经过预处理之后得到若干数量发作期样本和非发作期样本，然后按

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

免费 4人已下载

立即下载

摘要：

卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建　　摘要：随着对癫痫状态神经元电活动研究的不断深入，针对癫痫患者的电磁刺激疗法备受关注，自动准确地识别癫痫发作状态是及时准确地实施电磁刺激的关键。因此，构建了一种由通用模型向个性化模型迁移的癫痫发作状态识别方法。首先，基于多个病患的脑电数据，采用一维卷积神经网络建立癫痫状态识别的通用模型，学习不同病患癫痫发作时脑电状态的共性特征，以实现对不同病患癫痫发作状态的通用识别；其次，基于单个病患的脑电数据，通过迁移学习将通用模型的参数迁移到个性化模型之中以简化模型训练、加速收敛，讨论了通用模型参数向个性化模型迁移的全面迁移方式和卷积层参数迁移方式的...

展开>> 收起<<

卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建.docx

共11页,预览4页

还剩页未读，继续阅读

卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: