一種緊湊卷積神經網絡的發作間期癲樣放電檢測方法研究

鞠 祥，咼 強，王曉璐，張 玲，江 軍，陳 多

（1.南京中醫藥大學人工智能與信息技術學院，江蘇南京 210046；2.湖北科技學院生物醫學工程與醫學影像學院，湖北咸寧 437100；3.華中科技大學同濟醫學院附屬武漢兒童醫院臨床神經電生理室，湖北武漢 430019）

0 引言

癲癇疾病由來已久，有關癲癇疾病的字眼曾出現于公元前4 000 年前的文字記錄中。根據世界衛生組織（World Health Organization，WHO）最新報告，全球癲癇患者約有5千萬，其中80%來自中低收入國家（WHO 2019）。中國目前大約有癲癇患者1 千萬［1］，而且以每年大約7%的增長率上升，癲癇疾病的檢測治療因而面臨著巨大挑戰［2］。腦電圖（Electroencephalography，EEG）是癲癇臨床重要檢查手段之一，它是生理監測中最常用的工具之一［3］，能夠為癲癇發作提供獨特的臨床證據。EEG 信號可以分為頭皮層EEG 與顱內EEG，其中顱內信號比較純凈，能夠較好地反映腦細胞的電活動，但其容易使患者發生感染，且成本高。而對于頭皮EEG，采集時容易收集到肌電、眼電等干擾信號，因此需去除偽跡并作降噪處理［4］。

癲癇發作間期，患者EEG 中產生的癲癇樣瞬變或者棘波被稱為發作間期癲癇樣放電（Interictal Epileptic Discharges，IEDs），其模式多變且波形短促。IED 可用于首次癲癇發作后的重復發作預測，并且IED 對于區分癲癇發作類型、識別輕微癇性發作以及癲癇病灶定位、癲癇確診都有著重要價值［5］。然而，目前臨床實踐中，IED 的解釋和檢測依然是采用目測和手動的標注方法，但是IED 人工標注具有主觀性且過程繁瑣枯燥，神經學專家對于哪些波形是癲樣放電的共識也不完善［6］。EEG 還經常被未經專業培訓的神經科醫生誤讀，導致IED 漏檢。誤讀IED 可能會對患者帶來不利影響，導致癲癇發作誤診和相關藥物誤服。根據相關研究［7］，具有非癲癇癥狀的患者在正確診斷前至少要經過七年的抗癲癇藥物治療。

本文研究是立足于癲癇自動化診斷的現實需求，探索和開發出基于深度學習的IED 檢測方法，以滿足IED 檢測快速、精確和可靠的要求。研究成果可以輔助神經醫師對發作間期癲樣放電進行標記，能夠將癲癇醫務工作者從繁重和枯燥費時的工作中解放出來，減少癲癇診斷所需人力，提高IED 波形標記效率，具有廣闊的應用前景和現實意義。

1 相關研究

基于EEG 信號的癲癇波檢測研究最早開始于20 世紀70 年代，關于癲癇EEG 信號的處理方法研究目前已形成一個龐大的研究體系。其主要有時域處理方法、頻率處理方法、神經網絡處理方法以及非線性動力學處理方法。Solajia 等［8］運用一種數據驅動的降維技術，結合信號曲線長度等特征訓練決策樹分類器，最終達到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合的方法考慮了同一個信號不同頻帶所對應相位和幅值之間的相互作用，最終運用SVM 分類器完成檢測任務。Samiee 等［10］運用局部化和自適應的時頻方法，獲得腦電圖信號的特征表達，并使用多層感知器獲得最優性能。隨著反向傳播算法的提出，深度學習神經網絡成為機器學習后的發展浪潮，傳統的機器學習方法大多需要人工從EEG 中提取特征，基于神經網絡的分類模型可以自動提取有用的數據特征［11］。Acharya 等［12］首次運用深度學習模型對癲癇信號進行三分類檢測，該方法能夠區分正常腦電信號、癲癇發病信號以及癲癇間歇期信號。Ullah 等［13］構造了一種金字塔卷積神經網絡，就是使用滑動窗口對一段比較長的腦電信號進行分割，再將分割后的信號進行歸一化處理，分別送到不同的網格中，最終通過投票機制對癲癇信號進行檢測。

目前，國內有關IED 的研究較少，已經發表的成果局限于病理描述與統計。張爽［14］通過視頻腦電圖統計分析腦卒中后癲癇患者的癲樣放電情況。吳菡等［15］研究長程視頻EEG 對于IED 采集成功率的影響，統計發現淺睡眠8小時內采集到IED 的成功率較高。比較而言，國外相關研究較多，最新研究也取得一定進展。Thangavel 等［16］研究基于卷積神經網絡具有不同輸入特征的IED 檢測器，探索不同的卷積神經結構和類型，并且在5 個獨立數據集上評估腦電圖的分類性能，預處理全頻率的腦電圖信號和頻帶（delta、theta、alpha、beta）與高斯加性噪聲，輸出層為一維卷積神經網絡，在90%的靈敏度下，達到最佳檢測結果，誤檢率為0.23/min。Roy 等［17］運用基于ChronoNet 的循環神經網絡（Recurrent Neural Network，RNN）在天普大學醫院（TUH）腦電圖數據集上獲得86.6%的準確率。Lin 等［18］提出一種基于ConvNet 的分類器來區分無癲癇樣放電的兒童癲癇患者，獲得80%的平均準確率。上述研究回顧和分析了基于EEG 的癲癇波檢測及IED 檢測最新相關研究，特別是近年來深度卷積神經網絡（ConvNets）在IED 檢測方面取得較優異的性能。通過深度學習技術學習到的特征通常被證明比手工設計的特征更加健壯。這些將深度學習技術應用于IED 檢測的最新研究為本文研究提供了理論和實踐指導，也為后續IED 檢測技術的有效研發指明了方向，這對于癲癇的有效診斷、治療計劃的針對性制定以及相關藥物管理具有重大意義。

本文創新點在于：針對國內學者更多將注意力轉向特征更明顯的發作期癲癇放電自動檢測，而新的有關發作間期的癲癇波自動檢測方法偏少的現狀，本文將深度學習方法用于發作間期癲樣放電檢測研究，避免了傳統癲癇檢測算法較為依賴人工構造特征、難度較大的局限性。采用緊湊的卷積神經網絡模型，有效提高了特征值提取效率，改進了EEGNet 模型，簡化了特征提取，并在自采集的癲癇患者EEG 數據集上實驗，研究前期對癲癇患者腦電信號數據進行較為充分的信號預處理工作。實驗結果表明，該方法具有良好的IED 檢測性能。

2 數據集與預處理

本實驗數據選取武漢兒童醫院的6 名難治性癲癇患者（年齡：9±1 歲，男性4 名、女性2 名），實驗數據來源真實有效，且符合倫理審查。由武漢兒童醫院倫理委員會審查通過，已同意該項目按照批準的研究方案開展臨床研究（倫理審查編號為2022R034-E01）。原始數據為EDF 格式數據，記錄了癲癇患者腦電信號EEG 數據、通道數為19、采樣率為500Hz 等信息，所有信號數據是符合10-20 國際標準電極所采集。Excel 標注文檔中記錄了每個癲癇患者發作間期癲癇放電的開始時間和結束時間，以及癲癇樣瞬變的棘波類型。具體腦電數據信息整理如表1 所示。本文基于MATLAB 和EEGLAB 對癲癇患者腦電信號進行讀取和預處理。

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

2.1 實驗數據選取與整理

挑選6 名被試者數據進行實驗，運用EEGLAB 對EEG數據去除無關通道，在原始總共43 通道中保留19 個相關通道。之后對數據進行帶通濾波，帶通頻率范圍設置為［0.1，40］Hz。經過通道選取及帶通濾波信號處理后，用EEGLAB 繪制患者1 腦電信號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 數據預處理

在MATLAB 中運用EEGLAB 讀取患者數據，每個患者的采樣率為500Hz，并對EEG.data 數據在MATLAB 中采用滑動窗口算法進行分割。滑動窗口窗長設置為500ms，overlap 設置為300ms，即每次向后滑動200ms 的長度。滑動窗口算法相關程序的編寫具備智能化特性，能夠自動讀取患者對應標注文件的起始時間列進行切分。最終分割得到sub01 的IED 片段數為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 片段數分別為634、1 684、7 186、8 458、5 272、1 549。并且，運用隨機函數在滑動窗口分割EEG 數據片段的過程中進行片段選取，選取規則為：與IED 片段相匹配大小的非IED 片段。最終整理得到3D 多維數組，通道數為19，采樣點數為251，數據以MATLAB 中的.mat 格式保存，以備后續開展深度學習實驗。

3 網絡模型

在癲癇檢測領域，許多深度學習方法尤其是卷積神經網絡方法被提出。卷積神經網絡（CNNs）用于計算機視覺和語音識別，以執行自動特征提取和分類，并在基于腦電圖檢測的研究中得以成功應用。如Wen 等［19］提出基于深度卷積神經網絡的自編碼結構，通過無監督學習，使用反卷積操作和卷積操作構造自編碼器，從高維腦電圖中提取有效的低維特征。本文采用改進后的EEGNet 模型，簡化了模型結構，與其他CNN 方法相比，可訓練的參數數量比DeepConvNet 和ShallowConvNet［20］小兩個數量級，極大減少了模型訓練計算量。并且，EEGNet 模型通過實驗驗證了對不同數據大小的有效性。實驗結果表明，在有限訓練數據可用的情況下，EEGNet 比其他現存的針對范式不可知的EEG CNN 模型能實現更好的分類性能。

3.1 模型簡介

在對EEG 進行分析的任務中，傳統方法往往涉及兩個方面：特征提取和分類。對于不同范式類型下的EEG 往往都需要設置不同的特征，EEGNet 的出現正好可解決設計一個模型應用于多個范式的問題。

一種緊湊的基于EEG 的CNN 架構模型主要有3 個特點：①可以應用于多種不同的BCI 范式；②可以在非常有限的數據上進行訓練；③可以產生神經生理學可解釋的特征［21］。其中，第2 點對本文所做的發作間期癲樣放電檢測的任務類型尤其適用，由于IED 檢測的數據往往受限于對癲癇患者的樣本采集，數據量比較有限，該模型正好可以較好地解決這一問題。

EEGNet 模型利用深度卷積和可分離卷積構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，在訓練數據有限的情況下，擁有比較好的泛化能力和較高性能。

3.2 網絡架構

本文主要介紹緊湊型的用于EEG 腦電圖分類的CNN整體網絡架構。在實驗中以500Hz 的采樣率收集EEG，模型包含通道數C 和采樣點T，使用Adam 優化器擬合模型，使用最小類別交叉熵損失函數。在改進的EEGNet 架構中，C=19，T=251，F1=時間濾波器數，D=深度乘法器（空間濾波器數），F2=點態濾波器數，N=類別數。其中，p=0.5 表示在受試者內分類，p=0.25 表示用于跨受試者分類。可視化架構如圖2所示。

具體模型細節如表2、表3 所示。表2 是block1 的細節，表3是block2的細節（最后一行是分類器）。

Fig.2 EEGNet compact CNN architecture圖2 EEGNet緊湊型CNN架構

Table 2 Block1 network architecture details表2 Block1網絡架構詳細信息

在Block1 中，一次執行兩個卷積步驟，先擬合大小為（1，64）的F1 2D 卷積濾波器，將濾波器長度設置為數據采樣率的一半。輸出包含不同帶通頻率下的腦電圖信號F1的特征圖，將時間核的長度設置為采樣率的一半，再使用大小為（C，1）的Depthwise Convolution 學習空間濾波器。在CNN 的計算機視覺應用中，深度卷積的主要好處是減少了需要擬合的可訓練參數量，因為這些卷積層并沒有完全連接到之前的所有特征圖。在腦電圖領域中，該操作為學習的每個時間濾波器提供了一種直接的學習方法。

在Block2 中，使用可分離的卷積Separable Convolution，大小為（1，16），再是F2（1，1）點向卷積［22］。可分離的卷積優點主要有：①減少了要擬合的參數數量；②通過先學習一個內核分別總結出每個特征映射，然后明確地解耦特征映射和跨特征映射的關系，再最優地合并輸出。在腦電圖應用領域，該操作將學習如何在時間上將單個特征映射與點態卷積分開。這種操作方法對腦電圖信號很有用，因為不同的特征圖可能代表不同時間尺度上的信號差異。

在分類Classification block 中，這些特征直接傳遞給softmax 分類，N 代表數據中的類數，注意忽略在softmax 分類層之前使用密集層進行特征聚合，可以減少模型中自由參數的數量［23-24］。

4 實驗與結果分析

4.1 實驗準備

本文實驗采用的癲癇患者腦電數據由武漢兒童醫院提供，前期對原始數據進行異常通道去除、過濾、重采樣以及滑動窗口分割等必要的數據預處理工作。在開展深度學習實驗前，選擇6 名患者數據經過預處理和滑動窗口分割后得到EEG 數據片段。實驗采用10-折交叉驗證的方法，用來測試算法的準確性，將每份數據集平均分成10份，輪流將其余9 份作為訓練數據，1 份作為測試數據，進行試驗。

4.2 實驗環境和配置

本文實驗硬件環境：計算機處理器CPU 為AMD Ryzen 74800H with Radeon Graphics 2.90GHz，內存為16GB，GPU為GeForce GTX1650。軟件環境：操作系統Windows10 平臺、tensorflow-gpu2.2.0、keras深度學習框架、CUDA11.1。

損失函數設置為categorical_crossentropy，優化器選擇adam，設置batch_size=32，epochs=50。使用10-折交叉驗證的方法，每次讀入一個患者的數據，循環訓練10 次，模型參數分別設置為nb_classes=2，dropoutRate=0.5，F1=8，D=2，F2=16，kernLength 設置為256。經過試驗，將kern-Length 設置為數據采用率的一半效果較好。

4.3 實驗過程

開始實驗前先將原始.mat 格式數據讀入再轉化為多維數組.npy 格式。由于MATLAB 和numpy 對多維數組表示的格式維度不同，實驗開始前先將數據進行切換維度操作，將數據維度轉化成（trials，channels，samples，kernels）格式。其中，trials 表示每次實驗樣本數，channels 設置為19，samples 為樣本數據采樣點，本文為251。Kernels設為1。

4.4 實驗結果

本文選取準確率（Accuracy）、敏感性（Sensitivity）、特異性（Specificity）和F-1 score 作為評價指標，采用10-折交叉驗證的方法。在每次訓練和預測結束后繪制出混淆矩陣，打印出準確率、敏感性、特異性以及F1-score 等評價指標，最后求平均值得到每個患者的平均值。實驗結果如表4 所示，其中患者sub01 的實驗結果相對最優，平均準確率達88.2%，平均敏感性和特異性分別為73.1%、84.2%，以及F1 分數達80.0%；患者sub02 的平均準確率為82.7%，敏感性為82.5%，特異性為82.6%，F2 分數為81.3%。6 名患者整體平均準確率結果為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%，達到較好的IED 檢測效果。

Table 3 Block2 network architecture details表3 Block2網絡架構詳細信息

Table 4 Summary of experimental results表4 實驗結果匯總

與業內最新的運用深度學習方法針對EEG 的IED 分類相關研究進行比較，對比Jing 等［6］運用SpikeNet（2D ConvNet）的方法，通道數為37，采樣點為128，分類類型IED vs non-IED 與本文相同，也是采用10-fold 交叉驗證得到84.7%的準確率。本文針對患者sub01 的準確率達到該研究檢測水平，但本文還存在病例數據較少的局限性，整體檢測準確率有待提升。因此，未來研究中還需針對性地補足短板，進行更加全面且深入的研究。彭睿旻等［25］對基于EEG 的癲癇腦電波自動檢測方法做了回顧，整理和總結了包括傳統機器學習、深度學習、遷移學習、多視圖學習、集成學習和主動學習等在內的多種分類模型，并對未來相關實際應用場景進行展望，這些基于EEG 信號的自動檢測方法能夠有效減輕醫務工作者的工作負擔。楊舒涵等［26］針對當前癲癇自動檢測方法多集中為單個患者建立模型，且泛化能力較低的問題，提出一種基于機器學習的跨患者自動檢測算法，實現了運用一個模型可在多個不同的患者上進行檢測的效果。上述研究充分說明了本文的實際研究價值，也為后續研究改進提供了方向。

本文最優實驗結果在一定程度上達到了受過相關培訓的臨床醫師的檢測水平，該方法也能夠更準確地對腦電圖進行分類，并檢測癲癇患者個體發作間期的癲癇樣放電，未來有助于特殊情況下對癲癇的診斷測試。同時，本文研究也存在受試者樣本數據量較少，以及有待解決跨受試者的問題。后續工作將針對這兩個方面繼續開展深入研究，分析和發掘不同模型對特定IED 模式的標記能力，構建跨被試、高可靠性的IED 檢測模型。

5 結語

IED 檢測對于癲癇檢測、癲癇病灶定位和癲癇發作預測都具有重要意義，其研究結果將直接影響到癲癇臨床診斷與治療方案定制。本文使用改進后的基于緊湊卷積神經網絡的EEGNet 模型，簡化模型結構和輸入模式。實驗結果表明，基于緊湊CNN 的模型可以對IED 的腦電數據進行有效的特征提取，且分類準確率良好，單個患者最優檢測準確率達88.2%，單個患者最低準確率為61.0%，平均準確率為70.5%。但也存在一些問題：受實驗條件限制，目前選取受試者較少、實驗訓練和測試數據較少。后續研究將擴大被試范圍，在更大的數據集上開展實驗。并且，對模型進行改進優化，先在獨立數據集上測試，然后在獨立數據集間進行跨被試測試，對結果進行分析并開發針對性的算法和篩選方法。這將極大提高診斷效率，節省計算時間，降低人工成本。若未來能解決跨平臺和跨被試問題，并且獲得更可靠的IED 檢測結果，將有力推進人工智能算法在IED 臨床分析中的實際應用。