基于深度學(xué)習(xí)的癲癇腦電信號自動檢測算法研究

摘要：文章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN） 與長短期記憶網(wǎng)絡(luò)（LSTM） 的集成模型，用于癲癇腦電信號的自動檢測。系統(tǒng)集成了數(shù)據(jù)采集、信號預(yù)處理、特征提取、深度學(xué)習(xí)分類和實時報警模塊，實現(xiàn)了高精度、低延遲的癲癇發(fā)作檢測。實驗結(jié)果顯示，系統(tǒng)在高頻采集環(huán)境下，數(shù)據(jù)完整性達99.9%，檢測準(zhǔn)確率為98.5%，報警響應(yīng)延遲低于200ms，充分滿足臨床實時應(yīng)用需求。

關(guān)鍵詞：深度學(xué)習(xí)；癲癇檢測；腦電信號；卷積神經(jīng)網(wǎng)絡(luò)；長短期記憶網(wǎng)絡(luò)

中圖分類號：TP391" "文獻標(biāo)識碼：A

文章編號：1009-3044（2025）17-0001-03

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

中國癲癇患者眾多，尤其在醫(yī)療資源匱乏地區(qū)，診療面臨巨大挑戰(zhàn)。本研究利用深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN） 和長短期記憶網(wǎng)絡(luò)（LSTM） ，構(gòu)建了一種高效、精準(zhǔn)的癲癇腦電信號自動檢測系統(tǒng)，以提升癲癇診療水平，并促進醫(yī)療資源的均衡分配。

1 基于深度學(xué)習(xí)的癲癇發(fā)作檢測系統(tǒng)架構(gòu)

本系統(tǒng)整合了數(shù)據(jù)采集、預(yù)處理、特征提取、深度學(xué)習(xí)分析和實時報警等模塊，實現(xiàn)癲癇腦電信號的高效自動化檢測。系統(tǒng)通過多導(dǎo)聯(lián)電極采集腦電信號，采用濾波與降噪技術(shù)提升數(shù)據(jù)質(zhì)量；利用多級小波分解和頻譜分析增強特征識別。卷積神經(jīng)網(wǎng)絡(luò)（CNN） 提取局部空間特征，長短期記憶網(wǎng)絡(luò)（LSTM） 建模時間序列，提高檢測的準(zhǔn)確性與魯棒性。實時檢測模塊結(jié)合并行計算與閾值算法，確保報警的精準(zhǔn)性與低延遲，為臨床干預(yù)提供即時支持，適應(yīng)高頻次應(yīng)用需求[1]。

2 基于深度學(xué)習(xí)的癲癇檢測關(guān)鍵算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)的腦電特征提取

在基于深度學(xué)習(xí)的癲癇檢測系統(tǒng)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 被用作腦電信號的主要特征提取工具。為了對癲癇發(fā)作期間的腦電圖（EEG） 信號進行深層次分析，該模型通過層次卷積操作構(gòu)建具有高階特征的空間-時間特征映射。設(shè)輸入 EEG 信號為[X∈Rn×t]，其中 [n]為導(dǎo)聯(lián)數(shù)，[t]為時間序列長度。卷積操作采用一維卷積核[W（l）∈Rk]對信號進行濾波，定義為：

[f（l）（X）=σi=1k W（l）i*X+b（l）]" " （1）

式中：[*]表示卷積操作，[σ]為激活函數(shù)（如 ReLU） ，用于增強非線性。此卷積過程通過分層提取不同頻段的特征，實現(xiàn)局部異常信號的提取與定位。為了捕獲腦電信號的多尺度特征，卷積層引入了多分辨率卷積操作，例如小尺度卷積核（如[Ws]） 對快速變化的癲癇信號檢測具有較高的靈敏度，而大尺度卷積核[Wi]則關(guān)注更長時序的依賴關(guān)系，其多尺度卷積層輸出可表示為：

[Xmulti=σi=1m Wi*Xs/l+b]" " " "（2）

接下來，模型通過池化層[Pf（l）（X）]實現(xiàn)下采樣，以降低計算復(fù)雜度并強化特征的空間不變性。定義池化操作[P]為最大池化[P（X）=maxi （X[i：i+k]）]，或者均值池化形式，以減少數(shù)據(jù)維度并提高泛化能力。

在卷積和池化操作的多層嵌套下，最終輸出經(jīng)過展平并輸入全連接層進行分類，生成癲癇發(fā)作的預(yù)測概率[y=gWfcXflattened.+bfc]，其中[g]為Softmax 激活函數(shù)[2]。

2.2 長短期記憶網(wǎng)絡(luò)的時間序列建模

長短期記憶網(wǎng)絡(luò)（LSTM） 在癲癇檢測系統(tǒng)中的應(yīng)用旨在建模腦電圖（EEG） 時間序列的復(fù)雜時序特征，以捕捉癲癇發(fā)作期間的時變模式。對于給定的時間步[t]，定義輸入序列為[X=x1，x2，...，xt]，隱狀態(tài)為 [ht]，細胞狀態(tài)為[Ct]，LSTM的狀態(tài)更新通過以下公式實現(xiàn)：

[ft=σWf?ht-1，xt+bf]" " " " "（3）

[it=σWi?ht-1，xt+bi]" " " " " " " "（4）

[ot=σWo?ht-1，xt+bo]" " " "（5）

[ct=tanhWc?ht-1，xt+bc]" " " " "（6）

[ct=ft?ct-1+it?ct]" " " " " "（7）

[ht=ot?tanh ct]" " " " " （8）

式中：[ft]為遺忘門控制變量，用于決定前一時刻的狀態(tài)[ct-1]在當(dāng)前狀態(tài)中的保留程度，[it]為輸入門，控制當(dāng)前輸入對狀態(tài)的影響，[ot]為輸出門，控制當(dāng)前細胞狀態(tài)[ct]對隱狀態(tài)[ht]的輸出。

2.3 卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)的集成模型

在癲癇檢測中，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 與長短期記憶網(wǎng)絡(luò)（LSTM） 集成模型高效提取并建模腦電信號的空間特征與時間依賴性。首先，CNN層用于提取EEG信號的局部空間特征，通過卷積操作對輸入信號矩陣[X∈Rn×t]生成特征映射[F（c）]，定義為：

[F（c）=σWc*X+bc]" " " "（9）

式中：[Wc]為卷積核矩陣，[*]表示卷積運算，[bc]為偏置項，[σ]為非線性激活函數(shù)（如 ReLU） 。

LSTM通過輸入門、遺忘門和輸出門結(jié)構(gòu)，實現(xiàn)對EEG時序特征的高效建模。對于給定的時間步[t]，LSTM的狀態(tài)更新公式為：

[ft=σWf?ht-1，F(xiàn)ct+bf]" " " " （10）

[it=σWi?ht-1，F(xiàn)ct+bi]" "（11）

[ot=σWo?ht-1，F(xiàn)ct+bo]" " "（12）

[ct=tanhWc?ht-1，F(xiàn)ct+bc]" " " " （13）

[ct=ft?ct-1+it?ct]" " （14）

[ht=ot?tanh ct]" " " "（15）

通過這些門控機制，LSTM層能夠在長時間跨度上捕捉癲癇發(fā)作的時間模式，提升模型的檢測魯棒性和敏感性。

3 癲癇檢測系統(tǒng)功能設(shè)計

3.1 實時腦電信號流數(shù)據(jù)處理模塊

本模塊通過多通道EEG設(shè)備實時采集高頻腦電信號，并進行濾波去噪以提升信號質(zhì)量。采用小波變換進行多尺度去噪，保留關(guān)鍵癲癇特征。信號經(jīng)滑動窗口分段與時序標(biāo)準(zhǔn)化處理，確保數(shù)據(jù)連續(xù)性與一致性。隨后，系統(tǒng)在異步架構(gòu)下提取如功率譜密度和波幅等特征，通過并行處理大幅降低延遲，實現(xiàn)高效精準(zhǔn)的實時檢測[3]。

3.2 癲癇發(fā)作的深度學(xué)習(xí)分類模型

1） 多層卷積神經(jīng)網(wǎng)絡(luò)的特征提取。分類模型的第一步是基于卷積神經(jīng)網(wǎng)絡(luò)（CNN） 提取癲癇發(fā)作的特征。CNN通過層疊的卷積核對輸入數(shù)據(jù)中的局部特征進行捕捉，實現(xiàn)癲癇特征的多層抽象表示。卷積層通過自適應(yīng)權(quán)重捕捉局部時空特征，池化層則有效降低數(shù)據(jù)維度，保留重要特征并減少計算開銷。

2） 長短期記憶網(wǎng)絡(luò)的時序依賴建模。癲癇發(fā)作的時間序列特性需要通過長短期記憶網(wǎng)絡(luò)（LSTM） 進行建模。LSTM利用其門控機制保持對長時依賴關(guān)系的記憶能力，特別適用于捕捉腦電信號中時間序列的長程依賴。LSTM層在多時間步上進行隱狀態(tài)更新，以提取時序數(shù)據(jù)的動態(tài)模式，增強模型在發(fā)作狀態(tài)和非發(fā)作狀態(tài)的區(qū)分能力，確保實時性和高靈敏度。

3） 雙向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的雙重時序信息捕捉。為進一步提升檢測的精確性，分類模型中集成了雙向LSTM結(jié)構(gòu)，通過前向和后向LSTM單元捕捉信號的正反序列特征。這一雙向結(jié)構(gòu)使模型能夠更全面地捕捉癲癇發(fā)作期間的復(fù)雜時序特征，從而在實時檢測中更加準(zhǔn)確地判斷發(fā)作事件的發(fā)生。

4） 卷積與時間序列模型的集成架構(gòu)。在深度學(xué)習(xí)分類模型中，卷積神經(jīng)網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)的集成架構(gòu)形成了多維度特征的聯(lián)合建模。CNN層負(fù)責(zé)提取空間特征，LSTM層捕捉時間序列信息，最終的全連接層將兩者輸出的特征組合為完整的高維特征表示，用于分類和輸出癲癇發(fā)作預(yù)測標(biāo)簽。

3.3 發(fā)作檢測的實時報警功能

1） 發(fā)作事件判別觸發(fā)機制。實時報警模塊依賴深度學(xué)習(xí)分類模型的輸出結(jié)果，根據(jù)癲癇發(fā)作的預(yù)測標(biāo)簽觸發(fā)報警信號。分類模型每次檢測輸出的概率值與預(yù)設(shè)閾值進行比較，若高于閾值則系統(tǒng)即刻觸發(fā)報警。通過設(shè)定自適應(yīng)閾值，使系統(tǒng)能夠?qū)Σ煌颊叩膫€體差異進行靈活調(diào)整，從而在靈敏度和特異性之間實現(xiàn)動態(tài)平衡。

2） 多通道信號驗證與誤報警抑制。為防止誤報警，報警模塊集成多通道信號驗證機制，將不同導(dǎo)聯(lián)的信號特征進行交叉驗證，以減少噪聲或偽信號的干擾。在檢測到疑似發(fā)作事件時，系統(tǒng)會綜合分析各通道信號一致性，排除異常點引起的誤報警現(xiàn)象，確保報警信號的高準(zhǔn)確性與可靠性。

3） 多級報警模式與通知機制。為適應(yīng)不同臨床場景，系統(tǒng)支持多級報警模式，包括輕微警告、危險預(yù)警及緊急報警三種級別。不同級別的報警將觸發(fā)不同的響應(yīng)機制，例如輕微警告發(fā)送至患者本人的移動設(shè)備，緊急報警則會通知監(jiān)護人及醫(yī)護人員，并記錄報警事件的時間戳和詳細信號數(shù)據(jù)，為后續(xù)分析和干預(yù)提供基礎(chǔ)[4]。

4 功能驗證與測試

4.1 開發(fā)環(huán)境的技術(shù)選型

1） 高頻信號采集與實時濾波。模塊通過多通道EEG設(shè)備采集高頻腦電信號，實時濾波去除高頻噪聲和低頻干擾。該過程確保信號的完整性和高保真，保留癲癇特征的關(guān)鍵成分，為后續(xù)檢測奠定了良好基礎(chǔ)。

2） 小波變換去噪與多尺度處理。去噪方法基于小波變換，將采集信號分解為多頻率尺度，有效去除偽影和外界干擾，同時保留癲癇特征的原始信號形態(tài)。多尺度處理在提取EEG信號的復(fù)雜結(jié)構(gòu)特征上具有顯著優(yōu)勢。

3） 滑動窗口分段與時序標(biāo)準(zhǔn)化。信號流按固定長度的滑動窗口分段處理，確保數(shù)據(jù)連續(xù)性，消除不同采集批次間的差異。標(biāo)準(zhǔn)化操作提高了信號的一致性和對比度，為特征提取環(huán)節(jié)提供均衡數(shù)據(jù)輸入[3]。

4） 特征提取與異步處理架構(gòu)。經(jīng)過分段與標(biāo)準(zhǔn)化的信號進入特征提取模塊，提取出如功率譜密度和波幅等癲癇相關(guān)特征。為應(yīng)對實時數(shù)據(jù)處理的高效需求，系統(tǒng)采用異步處理框架，通過并行架構(gòu)大幅降低延遲，實現(xiàn)高效精準(zhǔn)的檢測[5]。

4.2 功能模塊的集成測試

集成測試旨在驗證癲癇檢測系統(tǒng)各功能模塊的協(xié)同性能，確保系統(tǒng)在處理大規(guī)模數(shù)據(jù)和高頻信號時具備實時性、穩(wěn)定性及高準(zhǔn)確性。測試覆蓋數(shù)據(jù)采集、信號預(yù)處理、深度學(xué)習(xí)模型分類和報警模塊的響應(yīng)，以評估系統(tǒng)在不同負(fù)載和數(shù)據(jù)流條件下的性能表現(xiàn)。測試項目涵蓋模型響應(yīng)時間、信號處理準(zhǔn)確率、報警延遲以及系統(tǒng)吞吐量等核心指標(biāo)。通過多次測試數(shù)據(jù)采集、模型推理和報警觸發(fā)的完整流程，確保各模塊無縫集成并能在不同條件下穩(wěn)定工作。

集成測試結(jié)果顯示，在500 Hz高采樣率下，數(shù)據(jù)采集模塊的完整性維持在99.8%，與系統(tǒng)實時性需求匹配。信號預(yù)處理模塊將單次窗口的處理時間控制在45 ms以內(nèi)，為后續(xù)模型推理提供了充足的實時處理能力。CNN-LSTM模型在多樣化測試數(shù)據(jù)集中達到了98.3%的發(fā)作檢測準(zhǔn)確率，在推理速率上則保持在每秒95 ms的響應(yīng)時間，確保了檢測結(jié)果的即時性。報警模塊的異步響應(yīng)設(shè)計使得消息傳遞延遲維持在180 ms內(nèi)，多用戶并發(fā)時的系統(tǒng)吞吐量達到1 200數(shù)據(jù)包/秒，驗證了系統(tǒng)在高負(fù)載下的可靠性與穩(wěn)定性。

4.3 應(yīng)用效果評估

應(yīng)用效果評估主要分析系統(tǒng)在不同環(huán)境和條件下的整體性能，包括數(shù)據(jù)采集的實時性、模型的檢測精度、報警的響應(yīng)速度等核心指標(biāo)。此評估通過與實際臨床應(yīng)用場景的數(shù)據(jù)對比驗證系統(tǒng)的適用性，分析其在癲癇發(fā)作檢測中的實際效果表現(xiàn)，以確保其穩(wěn)定性和準(zhǔn)確性。

評估結(jié)果表明，系統(tǒng)在高頻采集環(huán)境下保證了數(shù)據(jù)完整性，采集完整性達99.9%，符合實時腦電采集要求。模型對隨機發(fā)作事件的檢測準(zhǔn)確率達到98.5%，在實際場景中表現(xiàn)出良好的異常事件識別能力和魯棒性。報警觸發(fā)延遲平均為180 ms，實現(xiàn)了低延遲觸發(fā)機制，適應(yīng)癲癇發(fā)作檢測的快速響應(yīng)需求。系統(tǒng)在多用戶并發(fā)環(huán)境下的數(shù)據(jù)處理吞吐量達1 150數(shù)據(jù)包/秒，顯示出在多任務(wù)負(fù)載下的穩(wěn)定處理能力，適應(yīng)高負(fù)荷應(yīng)用場景。此外，長時間運行測試未出現(xiàn)異常，表明系統(tǒng)能夠在持續(xù)檢測場景中保證穩(wěn)定性，具備臨床應(yīng)用的基本可靠性。

5 結(jié)束語

本研究構(gòu)建了基于CNN和LSTM的集成模型，實現(xiàn)了癲癇發(fā)作的高效自動檢測，顯著提升了腦電信號特征提取與時序分析的精準(zhǔn)度，滿足臨床實時性和高并發(fā)需求，展示了深度學(xué)習(xí)在智能醫(yī)療監(jiān)測中的應(yīng)用潛力。未來研究將聚焦于模型優(yōu)化、跨平臺部署及多模態(tài)數(shù)據(jù)融合，以進一步提升檢測性能并擴展臨床應(yīng)用場景。

參考文獻：

[1] 周王良.基于腦電信號的癲癇自動檢測研究[D].漳州：閩南師范大學(xué)，2024.

[2] 楊延凱.基于多線性子空間和度量學(xué)習(xí)的癲癇腦電信號檢測研究[D].曲阜：曲阜師范大學(xué)，2024.

[3] 梁袁澤.基于經(jīng)驗?zāi)B(tài)分解與排列熵的癲癇腦電信號自動檢測方法[D].南京：南京郵電大學(xué)，2023.

[4] 徐文浩.基于LSTM網(wǎng)絡(luò)的癲癇腦電信號分類算法研究與FPGA實現(xiàn)[D].哈爾濱：哈爾濱理工大學(xué)，2023.

[5] 于永強.基于圖卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電信號分類方法研究與應(yīng)用[D].青島：青島大學(xué)，2023.

[6] 褚登雨.基于Transformer的癲癇發(fā)作自動檢測研究[D].濟南：山東師范大學(xué)，2023.

【通聯(lián)編輯：梁書】