一種緊湊卷積神經(jīng)網(wǎng)絡(luò)的發(fā)作間期癲樣放電檢測(cè)方法研究

鞠 祥，咼 強(qiáng)，王曉璐，張 玲，江 軍，陳 多

（1.南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院，江蘇南京 210046；2.湖北科技學(xué)院生物醫(yī)學(xué)工程與醫(yī)學(xué)影像學(xué)院，湖北咸寧 437100；3.華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬武漢兒童醫(yī)院臨床神經(jīng)電生理室，湖北武漢 430019）

0 引言

癲癇疾病由來(lái)已久，有關(guān)癲癇疾病的字眼曾出現(xiàn)于公元前4 000 年前的文字記錄中。根據(jù)世界衛(wèi)生組織（World Health Organization，WHO）最新報(bào)告，全球癲癇患者約有5千萬(wàn)，其中80%來(lái)自中低收入國(guó)家（WHO 2019）。中國(guó)目前大約有癲癇患者1 千萬(wàn)［1］，而且以每年大約7%的增長(zhǎng)率上升，癲癇疾病的檢測(cè)治療因而面臨著巨大挑戰(zhàn)［2］。腦電圖（Electroencephalography，EEG）是癲癇臨床重要檢查手段之一，它是生理監(jiān)測(cè)中最常用的工具之一［3］，能夠?yàn)榘d癇發(fā)作提供獨(dú)特的臨床證據(jù)。EEG 信號(hào)可以分為頭皮層EEG 與顱內(nèi)EEG，其中顱內(nèi)信號(hào)比較純凈，能夠較好地反映腦細(xì)胞的電活動(dòng)，但其容易使患者發(fā)生感染，且成本高。而對(duì)于頭皮EEG，采集時(shí)容易收集到肌電、眼電等干擾信號(hào)，因此需去除偽跡并作降噪處理［4］。

癲癇發(fā)作間期，患者EEG 中產(chǎn)生的癲癇樣瞬變或者棘波被稱(chēng)為發(fā)作間期癲癇樣放電（Interictal Epileptic Discharges，IEDs），其模式多變且波形短促。IED 可用于首次癲癇發(fā)作后的重復(fù)發(fā)作預(yù)測(cè)，并且IED 對(duì)于區(qū)分癲癇發(fā)作類(lèi)型、識(shí)別輕微癇性發(fā)作以及癲癇病灶定位、癲癇確診都有著重要價(jià)值［5］。然而，目前臨床實(shí)踐中，IED 的解釋和檢測(cè)依然是采用目測(cè)和手動(dòng)的標(biāo)注方法，但是IED 人工標(biāo)注具有主觀性且過(guò)程繁瑣枯燥，神經(jīng)學(xué)專(zhuān)家對(duì)于哪些波形是癲樣放電的共識(shí)也不完善［6］。EEG 還經(jīng)常被未經(jīng)專(zhuān)業(yè)培訓(xùn)的神經(jīng)科醫(yī)生誤讀，導(dǎo)致IED 漏檢。誤讀IED 可能會(huì)對(duì)患者帶來(lái)不利影響，導(dǎo)致癲癇發(fā)作誤診和相關(guān)藥物誤服。根據(jù)相關(guān)研究［7］，具有非癲癇癥狀的患者在正確診斷前至少要經(jīng)過(guò)七年的抗癲癇藥物治療。

本文研究是立足于癲癇自動(dòng)化診斷的現(xiàn)實(shí)需求，探索和開(kāi)發(fā)出基于深度學(xué)習(xí)的IED 檢測(cè)方法，以滿(mǎn)足IED 檢測(cè)快速、精確和可靠的要求。研究成果可以輔助神經(jīng)醫(yī)師對(duì)發(fā)作間期癲樣放電進(jìn)行標(biāo)記，能夠?qū)d癇醫(yī)務(wù)工作者從繁重和枯燥費(fèi)時(shí)的工作中解放出來(lái)，減少癲癇診斷所需人力，提高IED 波形標(biāo)記效率，具有廣闊的應(yīng)用前景和現(xiàn)實(shí)意義。

1 相關(guān)研究

基于EEG 信號(hào)的癲癇波檢測(cè)研究最早開(kāi)始于20 世紀(jì)70 年代，關(guān)于癲癇EEG 信號(hào)的處理方法研究目前已形成一個(gè)龐大的研究體系。其主要有時(shí)域處理方法、頻率處理方法、神經(jīng)網(wǎng)絡(luò)處理方法以及非線(xiàn)性動(dòng)力學(xué)處理方法。Solajia 等［8］運(yùn)用一種數(shù)據(jù)驅(qū)動(dòng)的降維技術(shù)，結(jié)合信號(hào)曲線(xiàn)長(zhǎng)度等特征訓(xùn)練決策樹(shù)分類(lèi)器，最終達(dá)到99%的特異性和接近90%的靈敏度。Liu 等［9］采用相幅耦合與跨頻耦合相結(jié)合的方法考慮了同一個(gè)信號(hào)不同頻帶所對(duì)應(yīng)相位和幅值之間的相互作用，最終運(yùn)用SVM 分類(lèi)器完成檢測(cè)任務(wù)。Samiee 等［10］運(yùn)用局部化和自適應(yīng)的時(shí)頻方法，獲得腦電圖信號(hào)的特征表達(dá)，并使用多層感知器獲得最優(yōu)性能。隨著反向傳播算法的提出，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)成為機(jī)器學(xué)習(xí)后的發(fā)展浪潮，傳統(tǒng)的機(jī)器學(xué)習(xí)方法大多需要人工從EEG 中提取特征，基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型可以自動(dòng)提取有用的數(shù)據(jù)特征［11］。Acharya 等［12］首次運(yùn)用深度學(xué)習(xí)模型對(duì)癲癇信號(hào)進(jìn)行三分類(lèi)檢測(cè)，該方法能夠區(qū)分正常腦電信號(hào)、癲癇發(fā)病信號(hào)以及癲癇間歇期信號(hào)。Ullah 等［13］構(gòu)造了一種金字塔卷積神經(jīng)網(wǎng)絡(luò)，就是使用滑動(dòng)窗口對(duì)一段比較長(zhǎng)的腦電信號(hào)進(jìn)行分割，再將分割后的信號(hào)進(jìn)行歸一化處理，分別送到不同的網(wǎng)格中，最終通過(guò)投票機(jī)制對(duì)癲癇信號(hào)進(jìn)行檢測(cè)。

目前，國(guó)內(nèi)有關(guān)IED 的研究較少，已經(jīng)發(fā)表的成果局限于病理描述與統(tǒng)計(jì)。張爽［14］通過(guò)視頻腦電圖統(tǒng)計(jì)分析腦卒中后癲癇患者的癲樣放電情況。吳菡等［15］研究長(zhǎng)程視頻EEG 對(duì)于IED 采集成功率的影響，統(tǒng)計(jì)發(fā)現(xiàn)淺睡眠8小時(shí)內(nèi)采集到IED 的成功率較高。比較而言，國(guó)外相關(guān)研究較多，最新研究也取得一定進(jìn)展。Thangavel 等［16］研究基于卷積神經(jīng)網(wǎng)絡(luò)具有不同輸入特征的IED 檢測(cè)器，探索不同的卷積神經(jīng)結(jié)構(gòu)和類(lèi)型，并且在5 個(gè)獨(dú)立數(shù)據(jù)集上評(píng)估腦電圖的分類(lèi)性能，預(yù)處理全頻率的腦電圖信號(hào)和頻帶（delta、theta、alpha、beta）與高斯加性噪聲，輸出層為一維卷積神經(jīng)網(wǎng)絡(luò)，在90%的靈敏度下，達(dá)到最佳檢測(cè)結(jié)果，誤檢率為0.23/min。Roy 等［17］運(yùn)用基于ChronoNet 的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）在天普大學(xué)醫(yī)院（TUH）腦電圖數(shù)據(jù)集上獲得86.6%的準(zhǔn)確率。Lin 等［18］提出一種基于ConvNet 的分類(lèi)器來(lái)區(qū)分無(wú)癲癇樣放電的兒童癲癇患者，獲得80%的平均準(zhǔn)確率。上述研究回顧和分析了基于EEG 的癲癇波檢測(cè)及IED 檢測(cè)最新相關(guān)研究，特別是近年來(lái)深度卷積神經(jīng)網(wǎng)絡(luò)（ConvNets）在IED 檢測(cè)方面取得較優(yōu)異的性能。通過(guò)深度學(xué)習(xí)技術(shù)學(xué)習(xí)到的特征通常被證明比手工設(shè)計(jì)的特征更加健壯。這些將深度學(xué)習(xí)技術(shù)應(yīng)用于IED 檢測(cè)的最新研究為本文研究提供了理論和實(shí)踐指導(dǎo)，也為后續(xù)IED 檢測(cè)技術(shù)的有效研發(fā)指明了方向，這對(duì)于癲癇的有效診斷、治療計(jì)劃的針對(duì)性制定以及相關(guān)藥物管理具有重大意義。

本文創(chuàng)新點(diǎn)在于：針對(duì)國(guó)內(nèi)學(xué)者更多將注意力轉(zhuǎn)向特征更明顯的發(fā)作期癲癇放電自動(dòng)檢測(cè)，而新的有關(guān)發(fā)作間期的癲癇波自動(dòng)檢測(cè)方法偏少的現(xiàn)狀，本文將深度學(xué)習(xí)方法用于發(fā)作間期癲樣放電檢測(cè)研究，避免了傳統(tǒng)癲癇檢測(cè)算法較為依賴(lài)人工構(gòu)造特征、難度較大的局限性。采用緊湊的卷積神經(jīng)網(wǎng)絡(luò)模型，有效提高了特征值提取效率，改進(jìn)了EEGNet 模型，簡(jiǎn)化了特征提取，并在自采集的癲癇患者EEG 數(shù)據(jù)集上實(shí)驗(yàn)，研究前期對(duì)癲癇患者腦電信號(hào)數(shù)據(jù)進(jìn)行較為充分的信號(hào)預(yù)處理工作。實(shí)驗(yàn)結(jié)果表明，該方法具有良好的IED 檢測(cè)性能。

2 數(shù)據(jù)集與預(yù)處理

本實(shí)驗(yàn)數(shù)據(jù)選取武漢兒童醫(yī)院的6 名難治性癲癇患者（年齡：9±1 歲，男性4 名、女性2 名），實(shí)驗(yàn)數(shù)據(jù)來(lái)源真實(shí)有效，且符合倫理審查。由武漢兒童醫(yī)院倫理委員會(huì)審查通過(guò)，已同意該項(xiàng)目按照批準(zhǔn)的研究方案開(kāi)展臨床研究（倫理審查編號(hào)為2022R034-E01）。原始數(shù)據(jù)為EDF 格式數(shù)據(jù)，記錄了癲癇患者腦電信號(hào)EEG 數(shù)據(jù)、通道數(shù)為19、采樣率為500Hz 等信息，所有信號(hào)數(shù)據(jù)是符合10-20 國(guó)際標(biāo)準(zhǔn)電極所采集。Excel 標(biāo)注文檔中記錄了每個(gè)癲癇患者發(fā)作間期癲癇放電的開(kāi)始時(shí)間和結(jié)束時(shí)間，以及癲癇樣瞬變的棘波類(lèi)型。具體腦電數(shù)據(jù)信息整理如表1 所示。本文基于MATLAB 和EEGLAB 對(duì)癲癇患者腦電信號(hào)進(jìn)行讀取和預(yù)處理。

Table 1 EEG signals in epileptic patients表1 癲癇患者腦電信號(hào)信息

2.1 實(shí)驗(yàn)數(shù)據(jù)選取與整理

挑選6 名被試者數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，運(yùn)用EEGLAB 對(duì)EEG數(shù)據(jù)去除無(wú)關(guān)通道，在原始總共43 通道中保留19 個(gè)相關(guān)通道。之后對(duì)數(shù)據(jù)進(jìn)行帶通濾波，帶通頻率范圍設(shè)置為［0.1，40］Hz。經(jīng)過(guò)通道選取及帶通濾波信號(hào)處理后，用EEGLAB 繪制患者1 腦電信號(hào)EEG 波形圖，可視化波形圖如圖1所示。

Fig.1 EEG pattern of patient 1圖1 患者1腦電波形圖

2.2 數(shù)據(jù)預(yù)處理

在MATLAB 中運(yùn)用EEGLAB 讀取患者數(shù)據(jù)，每個(gè)患者的采樣率為500Hz，并對(duì)EEG.data 數(shù)據(jù)在MATLAB 中采用滑動(dòng)窗口算法進(jìn)行分割?；瑒?dòng)窗口窗長(zhǎng)設(shè)置為500ms，overlap 設(shè)置為300ms，即每次向后滑動(dòng)200ms 的長(zhǎng)度?；瑒?dòng)窗口算法相關(guān)程序的編寫(xiě)具備智能化特性，能夠自動(dòng)讀取患者對(duì)應(yīng)標(biāo)注文件的起始時(shí)間列進(jìn)行切分。最終分割得到sub01 的IED 片段數(shù)為380，sub02 的IED 片段為186，sub03 的IED 片段為1 255，sub04 的IED 片段為645，sub05的片段為310，sub06 的IED 片段為579。其中，非IED 片段數(shù)分別為634、1 684、7 186、8 458、5 272、1 549。并且，運(yùn)用隨機(jī)函數(shù)在滑動(dòng)窗口分割EEG 數(shù)據(jù)片段的過(guò)程中進(jìn)行片段選取，選取規(guī)則為：與IED 片段相匹配大小的非IED 片段。最終整理得到3D 多維數(shù)組，通道數(shù)為19，采樣點(diǎn)數(shù)為251，數(shù)據(jù)以MATLAB 中的.mat 格式保存，以備后續(xù)開(kāi)展深度學(xué)習(xí)實(shí)驗(yàn)。

3 網(wǎng)絡(luò)模型

在癲癇檢測(cè)領(lǐng)域，許多深度學(xué)習(xí)方法尤其是卷積神經(jīng)網(wǎng)絡(luò)方法被提出。卷積神經(jīng)網(wǎng)絡(luò)（CNNs）用于計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別，以執(zhí)行自動(dòng)特征提取和分類(lèi)，并在基于腦電圖檢測(cè)的研究中得以成功應(yīng)用。如Wen 等［19］提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的自編碼結(jié)構(gòu)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)，使用反卷積操作和卷積操作構(gòu)造自編碼器，從高維腦電圖中提取有效的低維特征。本文采用改進(jìn)后的EEGNet 模型，簡(jiǎn)化了模型結(jié)構(gòu)，與其他CNN 方法相比，可訓(xùn)練的參數(shù)數(shù)量比DeepConvNet 和ShallowConvNet［20］小兩個(gè)數(shù)量級(jí)，極大減少了模型訓(xùn)練計(jì)算量。并且，EEGNet 模型通過(guò)實(shí)驗(yàn)驗(yàn)證了對(duì)不同數(shù)據(jù)大小的有效性。實(shí)驗(yàn)結(jié)果表明，在有限訓(xùn)練數(shù)據(jù)可用的情況下，EEGNet 比其他現(xiàn)存的針對(duì)范式不可知的EEG CNN 模型能實(shí)現(xiàn)更好的分類(lèi)性能。

3.1 模型簡(jiǎn)介

在對(duì)EEG 進(jìn)行分析的任務(wù)中，傳統(tǒng)方法往往涉及兩個(gè)方面：特征提取和分類(lèi)。對(duì)于不同范式類(lèi)型下的EEG 往往都需要設(shè)置不同的特征，EEGNet 的出現(xiàn)正好可解決設(shè)計(jì)一個(gè)模型應(yīng)用于多個(gè)范式的問(wèn)題。

一種緊湊的基于EEG 的CNN 架構(gòu)模型主要有3 個(gè)特點(diǎn)：①可以應(yīng)用于多種不同的BCI 范式；②可以在非常有限的數(shù)據(jù)上進(jìn)行訓(xùn)練；③可以產(chǎn)生神經(jīng)生理學(xué)可解釋的特征［21］。其中，第2 點(diǎn)對(duì)本文所做的發(fā)作間期癲樣放電檢測(cè)的任務(wù)類(lèi)型尤其適用，由于IED 檢測(cè)的數(shù)據(jù)往往受限于對(duì)癲癇患者的樣本采集，數(shù)據(jù)量比較有限，該模型正好可以較好地解決這一問(wèn)題。

EEGNet 模型利用深度卷積和可分離卷積構(gòu)造腦電特征提取模型的方法，該模型是封裝了BCI 腦電特征提取概念，在訓(xùn)練數(shù)據(jù)有限的情況下，擁有比較好的泛化能力和較高性能。

3.2 網(wǎng)絡(luò)架構(gòu)

本文主要介紹緊湊型的用于EEG 腦電圖分類(lèi)的CNN整體網(wǎng)絡(luò)架構(gòu)。在實(shí)驗(yàn)中以500Hz 的采樣率收集EEG，模型包含通道數(shù)C 和采樣點(diǎn)T，使用Adam 優(yōu)化器擬合模型，使用最小類(lèi)別交叉熵?fù)p失函數(shù)。在改進(jìn)的EEGNet 架構(gòu)中，C=19，T=251，F(xiàn)1=時(shí)間濾波器數(shù)，D=深度乘法器（空間濾波器數(shù)），F(xiàn)2=點(diǎn)態(tài)濾波器數(shù)，N=類(lèi)別數(shù)。其中，p=0.5 表示在受試者內(nèi)分類(lèi)，p=0.25 表示用于跨受試者分類(lèi)?？梢暬軜?gòu)如圖2所示。

具體模型細(xì)節(jié)如表2、表3 所示。表2 是block1 的細(xì)節(jié)，表3是block2的細(xì)節(jié)（最后一行是分類(lèi)器）。

Fig.2 EEGNet compact CNN architecture圖2 EEGNet緊湊型CNN架構(gòu)

Table 2 Block1 network architecture details表2 Block1網(wǎng)絡(luò)架構(gòu)詳細(xì)信息

在Block1 中，一次執(zhí)行兩個(gè)卷積步驟，先擬合大小為（1，64）的F1 2D 卷積濾波器，將濾波器長(zhǎng)度設(shè)置為數(shù)據(jù)采樣率的一半。輸出包含不同帶通頻率下的腦電圖信號(hào)F1的特征圖，將時(shí)間核的長(zhǎng)度設(shè)置為采樣率的一半，再使用大小為（C，1）的Depthwise Convolution 學(xué)習(xí)空間濾波器。在CNN 的計(jì)算機(jī)視覺(jué)應(yīng)用中，深度卷積的主要好處是減少了需要擬合的可訓(xùn)練參數(shù)量，因?yàn)檫@些卷積層并沒(méi)有完全連接到之前的所有特征圖。在腦電圖領(lǐng)域中，該操作為學(xué)習(xí)的每個(gè)時(shí)間濾波器提供了一種直接的學(xué)習(xí)方法。

在Block2 中，使用可分離的卷積Separable Convolution，大小為（1，16），再是F2（1，1）點(diǎn)向卷積［22］。可分離的卷積優(yōu)點(diǎn)主要有：①減少了要擬合的參數(shù)數(shù)量；②通過(guò)先學(xué)習(xí)一個(gè)內(nèi)核分別總結(jié)出每個(gè)特征映射，然后明確地解耦特征映射和跨特征映射的關(guān)系，再最優(yōu)地合并輸出。在腦電圖應(yīng)用領(lǐng)域，該操作將學(xué)習(xí)如何在時(shí)間上將單個(gè)特征映射與點(diǎn)態(tài)卷積分開(kāi)。這種操作方法對(duì)腦電圖信號(hào)很有用，因?yàn)椴煌奶卣鲌D可能代表不同時(shí)間尺度上的信號(hào)差異。

在分類(lèi)Classification block 中，這些特征直接傳遞給softmax 分類(lèi)，N 代表數(shù)據(jù)中的類(lèi)數(shù)，注意忽略在softmax 分類(lèi)層之前使用密集層進(jìn)行特征聚合，可以減少模型中自由參數(shù)的數(shù)量［23-24］。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)準(zhǔn)備

本文實(shí)驗(yàn)采用的癲癇患者腦電數(shù)據(jù)由武漢兒童醫(yī)院提供，前期對(duì)原始數(shù)據(jù)進(jìn)行異常通道去除、過(guò)濾、重采樣以及滑動(dòng)窗口分割等必要的數(shù)據(jù)預(yù)處理工作。在開(kāi)展深度學(xué)習(xí)實(shí)驗(yàn)前，選擇6 名患者數(shù)據(jù)經(jīng)過(guò)預(yù)處理和滑動(dòng)窗口分割后得到EEG 數(shù)據(jù)片段。實(shí)驗(yàn)采用10-折交叉驗(yàn)證的方法，用來(lái)測(cè)試算法的準(zhǔn)確性，將每份數(shù)據(jù)集平均分成10份，輪流將其余9 份作為訓(xùn)練數(shù)據(jù)，1 份作為測(cè)試數(shù)據(jù)，進(jìn)行試驗(yàn)。

4.2 實(shí)驗(yàn)環(huán)境和配置

本文實(shí)驗(yàn)硬件環(huán)境：計(jì)算機(jī)處理器CPU 為AMD Ryzen 74800H with Radeon Graphics 2.90GHz，內(nèi)存為16GB，GPU為GeForce GTX1650。軟件環(huán)境：操作系統(tǒng)Windows10 平臺(tái)、tensorflow-gpu2.2.0、keras深度學(xué)習(xí)框架、CUDA11.1。

損失函數(shù)設(shè)置為categorical_crossentropy，優(yōu)化器選擇adam，設(shè)置batch_size=32，epochs=50。使用10-折交叉驗(yàn)證的方法，每次讀入一個(gè)患者的數(shù)據(jù)，循環(huán)訓(xùn)練10 次，模型參數(shù)分別設(shè)置為nb_classes=2，dropoutRate=0.5，F(xiàn)1=8，D=2，F(xiàn)2=16，kernLength 設(shè)置為256。經(jīng)過(guò)試驗(yàn)，將kern-Length 設(shè)置為數(shù)據(jù)采用率的一半效果較好。

4.3 實(shí)驗(yàn)過(guò)程

開(kāi)始實(shí)驗(yàn)前先將原始.mat 格式數(shù)據(jù)讀入再轉(zhuǎn)化為多維數(shù)組.npy 格式。由于MATLAB 和numpy 對(duì)多維數(shù)組表示的格式維度不同，實(shí)驗(yàn)開(kāi)始前先將數(shù)據(jù)進(jìn)行切換維度操作，將數(shù)據(jù)維度轉(zhuǎn)化成（trials，channels，samples，kernels）格式。其中，trials 表示每次實(shí)驗(yàn)樣本數(shù)，channels 設(shè)置為19，samples 為樣本數(shù)據(jù)采樣點(diǎn)，本文為251。Kernels設(shè)為1。

4.4 實(shí)驗(yàn)結(jié)果

本文選取準(zhǔn)確率（Accuracy）、敏感性（Sensitivity）、特異性（Specificity）和F-1 score 作為評(píng)價(jià)指標(biāo)，采用10-折交叉驗(yàn)證的方法。在每次訓(xùn)練和預(yù)測(cè)結(jié)束后繪制出混淆矩陣，打印出準(zhǔn)確率、敏感性、特異性以及F1-score 等評(píng)價(jià)指標(biāo)，最后求平均值得到每個(gè)患者的平均值。實(shí)驗(yàn)結(jié)果如表4 所示，其中患者sub01 的實(shí)驗(yàn)結(jié)果相對(duì)最優(yōu)，平均準(zhǔn)確率達(dá)88.2%，平均敏感性和特異性分別為73.1%、84.2%，以及F1 分?jǐn)?shù)達(dá)80.0%；患者sub02 的平均準(zhǔn)確率為82.7%，敏感性為82.5%，特異性為82.6%，F(xiàn)2 分?jǐn)?shù)為81.3%。6 名患者整體平均準(zhǔn)確率結(jié)果為70.5%，平均敏感性為71.3%，平均特異性為73.1%，平均F1 值為68.1%，達(dá)到較好的IED 檢測(cè)效果。

Table 3 Block2 network architecture details表3 Block2網(wǎng)絡(luò)架構(gòu)詳細(xì)信息

Table 4 Summary of experimental results表4 實(shí)驗(yàn)結(jié)果匯總

與業(yè)內(nèi)最新的運(yùn)用深度學(xué)習(xí)方法針對(duì)EEG 的IED 分類(lèi)相關(guān)研究進(jìn)行比較，對(duì)比Jing 等［6］運(yùn)用SpikeNet（2D ConvNet）的方法，通道數(shù)為37，采樣點(diǎn)為128，分類(lèi)類(lèi)型IED vs non-IED 與本文相同，也是采用10-fold 交叉驗(yàn)證得到84.7%的準(zhǔn)確率。本文針對(duì)患者sub01 的準(zhǔn)確率達(dá)到該研究檢測(cè)水平，但本文還存在病例數(shù)據(jù)較少的局限性，整體檢測(cè)準(zhǔn)確率有待提升。因此，未來(lái)研究中還需針對(duì)性地補(bǔ)足短板，進(jìn)行更加全面且深入的研究。彭睿旻等［25］對(duì)基于EEG 的癲癇腦電波自動(dòng)檢測(cè)方法做了回顧，整理和總結(jié)了包括傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)、多視圖學(xué)習(xí)、集成學(xué)習(xí)和主動(dòng)學(xué)習(xí)等在內(nèi)的多種分類(lèi)模型，并對(duì)未來(lái)相關(guān)實(shí)際應(yīng)用場(chǎng)景進(jìn)行展望，這些基于EEG 信號(hào)的自動(dòng)檢測(cè)方法能夠有效減輕醫(yī)務(wù)工作者的工作負(fù)擔(dān)。楊舒涵等［26］針對(duì)當(dāng)前癲癇自動(dòng)檢測(cè)方法多集中為單個(gè)患者建立模型，且泛化能力較低的問(wèn)題，提出一種基于機(jī)器學(xué)習(xí)的跨患者自動(dòng)檢測(cè)算法，實(shí)現(xiàn)了運(yùn)用一個(gè)模型可在多個(gè)不同的患者上進(jìn)行檢測(cè)的效果。上述研究充分說(shuō)明了本文的實(shí)際研究?jī)r(jià)值，也為后續(xù)研究改進(jìn)提供了方向。

本文最優(yōu)實(shí)驗(yàn)結(jié)果在一定程度上達(dá)到了受過(guò)相關(guān)培訓(xùn)的臨床醫(yī)師的檢測(cè)水平，該方法也能夠更準(zhǔn)確地對(duì)腦電圖進(jìn)行分類(lèi)，并檢測(cè)癲癇患者個(gè)體發(fā)作間期的癲癇樣放電，未來(lái)有助于特殊情況下對(duì)癲癇的診斷測(cè)試。同時(shí)，本文研究也存在受試者樣本數(shù)據(jù)量較少，以及有待解決跨受試者的問(wèn)題。后續(xù)工作將針對(duì)這兩個(gè)方面繼續(xù)開(kāi)展深入研究，分析和發(fā)掘不同模型對(duì)特定IED 模式的標(biāo)記能力，構(gòu)建跨被試、高可靠性的IED 檢測(cè)模型。

5 結(jié)語(yǔ)

IED 檢測(cè)對(duì)于癲癇檢測(cè)、癲癇病灶定位和癲癇發(fā)作預(yù)測(cè)都具有重要意義，其研究結(jié)果將直接影響到癲癇臨床診斷與治療方案定制。本文使用改進(jìn)后的基于緊湊卷積神經(jīng)網(wǎng)絡(luò)的EEGNet 模型，簡(jiǎn)化模型結(jié)構(gòu)和輸入模式。實(shí)驗(yàn)結(jié)果表明，基于緊湊CNN 的模型可以對(duì)IED 的腦電數(shù)據(jù)進(jìn)行有效的特征提取，且分類(lèi)準(zhǔn)確率良好，單個(gè)患者最優(yōu)檢測(cè)準(zhǔn)確率達(dá)88.2%，單個(gè)患者最低準(zhǔn)確率為61.0%，平均準(zhǔn)確率為70.5%。但也存在一些問(wèn)題：受實(shí)驗(yàn)條件限制，目前選取受試者較少、實(shí)驗(yàn)訓(xùn)練和測(cè)試數(shù)據(jù)較少。后續(xù)研究將擴(kuò)大被試范圍，在更大的數(shù)據(jù)集上開(kāi)展實(shí)驗(yàn)。并且，對(duì)模型進(jìn)行改進(jìn)優(yōu)化，先在獨(dú)立數(shù)據(jù)集上測(cè)試，然后在獨(dú)立數(shù)據(jù)集間進(jìn)行跨被試測(cè)試，對(duì)結(jié)果進(jìn)行分析并開(kāi)發(fā)針對(duì)性的算法和篩選方法。這將極大提高診斷效率，節(jié)省計(jì)算時(shí)間，降低人工成本。若未來(lái)能解決跨平臺(tái)和跨被試問(wèn)題，并且獲得更可靠的IED 檢測(cè)結(jié)果，將有力推進(jìn)人工智能算法在IED 臨床分析中的實(shí)際應(yīng)用。