基于改進殘差網(wǎng)絡(luò)的癲癇腦電自動識別算法

趙 偉

(集美大學(xué) 誠毅學(xué)院，福建 廈門 361021)

癲癇是一種影響所有年齡段人群的慢性腦部神經(jīng)系統(tǒng)疾病[1]。腦電圖(Electroenc ephalography ，EEG)是通過放置于頭皮或顱內(nèi)特定位置的電極采集獲得的大腦活動的電信號，已被廣泛用于癲癇診療[2]。臨床上，腦電圖的識讀和分析主要依賴神經(jīng)科醫(yī)生通過肉眼進行檢測和手工標(biāo)注。然而，EEG數(shù)據(jù)量巨大，傳統(tǒng)的人工判讀不僅耗時費勁，也會因?qū)＜业闹饔^經(jīng)驗差異造成診斷結(jié)果的差異[3]。因此，設(shè)計高效、可靠的癲癇EEG自動識別算法，從而協(xié)助神經(jīng)科醫(yī)生高效地對癲癇患者進行診療具有重要的臨床意義。

傳統(tǒng)的EEG分析方法主要包含特征提取和模式分類兩部分。其中，常用的特征提取方法有時域分析法、頻域分析法、時頻域分析法和非線性動力學(xué)方法。常用的分類器有支持向量機(Support Vector Machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)和K最近鄰分類器等[4]。傳統(tǒng)的EEG識別方法過程相對繁瑣，而且需要結(jié)合人工經(jīng)驗進行特征提取。目前，深度學(xué)習(xí)已廣泛應(yīng)用于圖像識別、語音識別、文本分類等領(lǐng)域，并取得了良好的分類效果。與傳統(tǒng)方法相比，基于深度學(xué)習(xí)的方法不需要根據(jù)人工經(jīng)驗提取特征，可直接對EEG信號進行訓(xùn)練，實現(xiàn)自主學(xué)習(xí)其內(nèi)在特征并完成癲癇自動識別。ACHARYA[5]提出把深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)應(yīng)用于識別癲癇EEG信號。ABBASI[6]將長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)應(yīng)用與癲癇腦電識別，取得了比SVM更好的結(jié)果。此外，一些研究者提出了混合的癲癇識別模型。潘奕竹等[7]提出了一種基于信號轉(zhuǎn)差分模塊(Difference Module，DM)與CNN結(jié)合的癲癇腦電分類方法。齊永鋒等[4]提出了一種采用多尺度卷積特征融合與LSTM相結(jié)合的癲癇EEG自動識別模型。

1 基本原理和方法

(1)殘差網(wǎng)絡(luò)。為了解決隨著網(wǎng)絡(luò)模型深度加深而出現(xiàn)的網(wǎng)絡(luò)退化問題，HE[8]提出了殘差網(wǎng)絡(luò)。殘差網(wǎng)絡(luò)是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。它由多個殘差模塊堆疊而成，殘差模塊結(jié)構(gòu)如圖1所示。殘差模塊的輸入為x，期望輸出為H(x)，學(xué)習(xí)目標(biāo)為F(x)=H(x)-x。殘差模塊可以實現(xiàn)網(wǎng)絡(luò)的恒等映射，通過殘差模塊的快捷連接實現(xiàn)高層直接對底層的信息傳遞，以此解決深度網(wǎng)絡(luò)的退化問題及防止出現(xiàn)梯度消失。ERNet模型中的殘差單元結(jié)構(gòu)是在此基礎(chǔ)上進行改進的。

圖1 殘差模塊結(jié)構(gòu)

(2)改進的殘差模塊。為了提高模型的泛化能力，使其能夠適用于不同的癲癇EEG識別任務(wù)，本研究構(gòu)建ERNet深度網(wǎng)絡(luò)模型對殘差模塊進行改進，引入了批歸一化(Batch Normalization，BN)和Dropout操作。改進后的每個殘差模塊包含兩個卷積塊和一個快捷連接，每個卷積塊依次進行卷積、BN、ReLU和Dropout操作，其結(jié)構(gòu)如圖2所示。

圖2 改進的殘差模塊結(jié)構(gòu)

殘差模塊采用一維卷積來自動提取EEG時間序列中的內(nèi)在特征，其卷積核越大，感受野越大，可以捕獲EEG序列更抽象的特征，反之亦然，具體表達式為：

(1)

其中，x表示EEG序列，w表示卷積核，a表示卷積核的大小。為了避免了梯度消失或梯度爆炸的發(fā)生，在卷積操作之后進行批歸一化，同時，該操作還能減少內(nèi)部協(xié)變量偏移，加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。激活函數(shù)采用目前卷積神經(jīng)網(wǎng)絡(luò)中常用的ReLU激活函數(shù)，其定義如下：

(2)

為進一步提高模型的泛化能力，在激活函數(shù)之后采用Dropout操作。Dropout在模型訓(xùn)練過程中會隨機丟棄一些隱藏神經(jīng)元，削弱隱藏神經(jīng)元之間的依賴性，防止特征提取時一直放大或縮小某些局部特征。它既保證模型的泛化能力，也避免產(chǎn)生過擬合現(xiàn)象，其表達式如下：

(3)

(4)

(3)ERNet網(wǎng)絡(luò)模型。本研究提出的基于改進殘差網(wǎng)絡(luò)的癲癇EEG自動識別模型ERNet如圖3所示。首先對原始EEG時序信號進行標(biāo)準(zhǔn)化；再利用32個1×7的卷積核提取EEG淺層特征，滑動步長為2；接著進行最大池化操作以減少參數(shù)訓(xùn)練量；然后，堆疊6個殘差模塊來捕獲不同層次的特征，其卷積核尺寸、個數(shù)及步長如圖3所示。利用平均池化來融合殘差模塊底層和高層的特征；然后利用全連接(Full Connect，F(xiàn)C)來提取與癲癇識別任務(wù)最相關(guān)的EEG特征；最后利用Softmax分類器來識別癲癇EEG信號。

圖3 ERNet深度殘差網(wǎng)絡(luò)

2 實驗與分析

(1)數(shù)據(jù)集說明。本研究實驗數(shù)據(jù)來自于德國波恩大學(xué)癲癇病研究中心，數(shù)據(jù)集詳細描述見文獻[9]。該數(shù)據(jù)集被廣泛應(yīng)用于癲癇檢測和識別。數(shù)據(jù)集包含5個子集分別為A、B、C、D、E，每個子集有100個樣本，信號采樣頻率為173.61 Hz，持續(xù)23.6 s，每段信號有4 097個采樣點，數(shù)據(jù)集描述如表1所示。

表1 波恩大學(xué)癲癇數(shù)據(jù)集描述

(2)性能評價指標(biāo)。為了全面評估模型性能，采用十折交叉驗證，即將數(shù)據(jù)集分成10份，其中9份作為訓(xùn)練集，1份作為測試集，最終結(jié)果取10次實驗的平均值。評價指標(biāo)采用準(zhǔn)確率(Accuracy，Acc)、精確率(Precision，Pre)和召回率(Recall，Rec)作為模型評估結(jié)果。其各項指標(biāo)的取值范圍均為[0，1]，數(shù)值越大，模型性能越強，具體定義如下：

(5)

(6)

(7)

其中，TP為正樣本的正確預(yù)測數(shù)量，TN為負樣本的正確預(yù)測數(shù)量，F(xiàn)P為負樣本的錯誤預(yù)測數(shù)量，F(xiàn)N為正樣本的錯誤預(yù)測數(shù)量。

(3)實驗結(jié)果與分析。本實驗在Windows10操作系統(tǒng)下進行，基于開源深度學(xué)習(xí)框架PyTorch，編輯語言采用Python3.8。ERNet網(wǎng)絡(luò)模型采用Adam(Adaptive Moment Estimation)優(yōu)化器，其學(xué)習(xí)率、β1和β2分別設(shè)置為0.000 5、0.9和0.999；選用交叉熵作為損失函數(shù)，Dropout隨機丟棄概率設(shè)置為20%。在實驗中，批次大小設(shè)置為48，總共對模型進行300次迭代訓(xùn)練。

為了測試模型對于不同癲癇識別任務(wù)的泛化能力，本研究基于波恩大學(xué)癲癇腦電數(shù)據(jù)集進行了5種不同分類任務(wù)的測試，其中，2個二元分類任務(wù)用于區(qū)分正常和癲癇發(fā)作EEG；3個三元分類任務(wù)用于識別正常、發(fā)作間期與發(fā)作期的EEG。采用十折交叉驗證對模型性能進行評估，實驗結(jié)果如表2所示。可以看出，ERNet對5種分類任務(wù)的準(zhǔn)確率、精確率和召回率均較高，在二元分類任務(wù)A/E、B/E中，準(zhǔn)確率達到了100.0%和99.5%，在三分類任務(wù)A/D/E、B/D/E和AB/CD/E中達到了98.7%、97.3%和98.4%。

表2 ERNet各分類任務(wù)測試性能

為了進一步分析ERNet網(wǎng)絡(luò)模型的性能，使用波恩大學(xué)癲癇EEG數(shù)據(jù)集進行識別的方法與ERNet進行比較，對比結(jié)果如表3所示。表中分別列出了目前主流的CNN模型、LSTM模型、CNN+LSTM模型、離散小波變換(DWT)和SVM模型等方法在不同識別任務(wù)中的實驗結(jié)果。經(jīng)過對比可以看出，本研究提出的ERNet網(wǎng)絡(luò)模型面對不同的分類任務(wù)有較強適用性，總體而言，分類識別準(zhǔn)確率較高。

表3 相同數(shù)據(jù)集的不同分類方法準(zhǔn)確率比較

3 結(jié)語

提出了一種改進的殘差網(wǎng)絡(luò)模型ERNet，并將其應(yīng)用于癲癇EEG的自動識別。在波恩大學(xué)癲癇EEG數(shù)據(jù)集上進行了癲癇兩分類和三分類實驗，識別準(zhǔn)確率為97.3%～100.0%，并在同一公開數(shù)據(jù)集與目前主流的其他識別方法進行比較，證明了該方法的有效性。