基于深度學(xué)習(xí)的癲癇腦電信號(hào)自動(dòng)檢測(cè)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(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 的集成模型，用于癲癇腦電信號(hào)的自動(dòng)檢測(cè)。系統(tǒng)集成了數(shù)據(jù)采集、信號(hào)預(yù)處理、特征提取、深度學(xué)習(xí)分類(lèi)和實(shí)時(shí)報(bào)警模塊，實(shí)現(xiàn)了高精度、低延遲的癲癇發(fā)作檢測(cè)。實(shí)驗(yàn)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(dá)99.9%，檢測(cè)準(zhǔn)確率為98.5%，報(bào)警響應(yīng)延遲低于200ms，充分滿(mǎn)足臨床實(shí)時(shí)應(yīng)用需求。

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

中圖分類(lèi)號(hào)：TP391" "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）17-0001-03

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

中國(guó)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(zhǎng)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(hào)自動(dòng)檢測(cè)系統(tǒng)，以提升癲癇診療水平，并促進(jìn)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(cè)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(shí)時(shí)報(bào)警等模塊，實(shí)現(xiàn)癲癇腦電信號(hào)的高效自動(dòng)化檢測(cè)。系統(tǒng)通過(guò)多導(dǎo)聯(lián)電極采集腦電信號(hào)，采用濾波與降噪技術(shù)提升數(shù)據(jù)質(zhì)量；利用多級(jí)小波分解和頻譜分析增強(qiáng)特征識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)（CNN） 提取局部空間特征，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 建模時(shí)間序列，提高檢測(cè)的準(zhǔn)確性與魯棒性。實(shí)時(shí)檢測(cè)模塊結(jié)合并行計(jì)算與閾值算法，確保報(bào)警的精準(zhǔn)性與低延遲，為臨床干預(yù)提供即時(shí)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(cè)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(cè)系統(tǒng)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 被用作腦電信號(hào)的主要特征提取工具。為了對(duì)癲癇發(fā)作期間的腦電圖（EEG） 信號(hào)進(jìn)行深層次分析，該模型通過(guò)層次卷積操作構(gòu)建具有高階特征的空間-時(shí)間特征映射。設(shè)輸入 EEG 信號(hào)為[X∈Rn×t]，其中 [n]為導(dǎo)聯(lián)數(shù)，[t]為時(shí)間序列長(zhǎng)度。卷積操作采用一維卷積核[W（l）∈Rk]對(duì)信號(hào)進(jìn)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(qiáng)非線(xiàn)性。此卷積過(guò)程通過(guò)分層提取不同頻段的特征，實(shí)現(xiàn)局部異常信號(hào)的提取與定位。為了捕獲腦電信號(hào)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(duì)快速變化的癲癇信號(hào)檢測(cè)具有較高的靈敏度，而大尺度卷積核[Wi]則關(guān)注更長(zhǎng)時(shí)序的依賴(lài)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(lái)，模型通過(guò)池化層[Pf（l）（X）]實(shí)現(xiàn)下采樣，以降低計(jì)算復(fù)雜度并強(qiáng)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(guò)展平并輸入全連接層進(jìn)行分類(lèi)，生成癲癇發(fā)作的預(yù)測(cè)概率[y=gWfcXflattened.+bfc]，其中[g]為Softmax 激活函數(shù)[2]。

2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)的時(shí)間序列建模

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 在癲癇檢測(cè)系統(tǒng)中的應(yīng)用旨在建模腦電圖（EEG） 時(shí)間序列的復(fù)雜時(shí)序特征，以捕捉癲癇發(fā)作期間的時(shí)變模式。對(duì)于給定的時(shí)間步[t]，定義輸入序列為[X=x1，x2，...，xt]，隱狀態(tài)為 [ht]，細(xì)胞狀態(tài)為[Ct]，LSTM的狀態(tài)更新通過(guò)以下公式實(shí)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(mén)控制變量，用于決定前一時(shí)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(mén)，控制當(dāng)前輸入對(duì)狀態(tài)的影響，[ot]為輸出門(mén)，控制當(dāng)前細(xì)胞狀態(tài)[ct]對(duì)隱狀態(tài)[ht]的輸出。

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

在癲癇檢測(cè)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 與長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 集成模型高效提取并建模腦電信號(hào)的空間特征與時(shí)間依賴(lài)性。首先，CNN層用于提取EEG信號(hào)的局部空間特征，通過(guò)卷積操作對(duì)輸入信號(hào)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(yùn)算，[bc]為偏置項(xiàng)，[σ]為非線(xiàn)性激活函數(shù)（如 ReLU） 。

LSTM通過(guò)輸入門(mén)、遺忘門(mén)和輸出門(mén)結(jié)構(gòu)，實(shí)現(xiàn)對(duì)EEG時(shí)序特征的高效建模。對(duì)于給定的時(shí)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(guò)這些門(mén)控機(jī)制，LSTM層能夠在長(zhǎng)時(shí)間跨度上捕捉癲癇發(fā)作的時(shí)間模式，提升模型的檢測(cè)魯棒性和敏感性。

3 癲癇檢測(cè)系統(tǒng)功能設(shè)計(jì)

3.1 實(shí)時(shí)腦電信號(hào)流數(shù)據(jù)處理模塊

本模塊通過(guò)多通道EEG設(shè)備實(shí)時(shí)采集高頻腦電信號(hào)，并進(jìn)行濾波去噪以提升信號(hào)質(zhì)量。采用小波變換進(jìn)行多尺度去噪，保留關(guān)鍵癲癇特征。信號(hào)經(jīng)滑動(dòng)窗口分段與時(shí)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(guò)并行處理大幅降低延遲，實(shí)現(xiàn)高效精準(zhǔn)的實(shí)時(shí)檢測(cè)[3]。

3.2 癲癇發(fā)作的深度學(xué)習(xí)分類(lèi)模型

1） 多層卷積神經(jīng)網(wǎng)絡(luò)的特征提取。分類(lèi)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(guò)層疊的卷積核對(duì)輸入數(shù)據(jù)中的局部特征進(jìn)行捕捉，實(shí)現(xiàn)癲癇特征的多層抽象表示。卷積層通過(guò)自適應(yīng)權(quán)重捕捉局部時(shí)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(jì)算開(kāi)銷(xiāo)。

2） 長(zhǎng)短期記憶網(wǎng)絡(luò)的時(shí)序依賴(lài)建模。癲癇發(fā)作的時(shí)間序列特性需要通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 進(jìn)行建模。LSTM利用其門(mén)控機(jī)制保持對(duì)長(zhǎng)時(shí)依賴(lài)關(guān)系的記憶能力，特別適用于捕捉腦電信號(hào)中時(shí)間序列的長(zhǎng)程依賴(lài)。LSTM層在多時(shí)間步上進(jìn)行隱狀態(tài)更新，以提取時(shí)序數(shù)據(jù)的動(dòng)態(tài)模式，增強(qiáng)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(shí)時(shí)性和高靈敏度。

3） 雙向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的雙重時(shí)序信息捕捉。為進(jìn)一步提升檢測(cè)的精確性，分類(lèi)模型中集成了雙向LSTM結(jié)構(gòu)，通過(guò)前向和后向LSTM單元捕捉信號(hào)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(shí)序特征，從而在實(shí)時(shí)檢測(cè)中更加準(zhǔn)確地判斷發(fā)作事件的發(fā)生。

4） 卷積與時(shí)間序列模型的集成架構(gòu)。在深度學(xué)習(xí)分類(lèi)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(shí)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(lèi)和輸出癲癇發(fā)作預(yù)測(cè)標(biāo)簽。

3.3 發(fā)作檢測(cè)的實(shí)時(shí)報(bào)警功能

1） 發(fā)作事件判別觸發(fā)機(jī)制。實(shí)時(shí)報(bào)警模塊依賴(lài)深度學(xué)習(xí)分類(lèi)模型的輸出結(jié)果，根據(jù)癲癇發(fā)作的預(yù)測(cè)標(biāo)簽觸發(fā)報(bào)警信號(hào)。分類(lèi)模型每次檢測(cè)輸出的概率值與預(yù)設(shè)閾值進(jìn)行比較，若高于閾值則系統(tǒng)即刻觸發(fā)報(bào)警。通過(guò)設(shè)定自適應(yīng)閾值，使系統(tǒng)能夠?qū)Σ煌颊叩膫€(gè)體差異進(jìn)行靈活調(diào)整，從而在靈敏度和特異性之間實(shí)現(xiàn)動(dòng)態(tài)平衡。

2） 多通道信號(hào)驗(yàn)證與誤報(bào)警抑制。為防止誤報(bào)警，報(bào)警模塊集成多通道信號(hào)驗(yàn)證機(jī)制，將不同導(dǎo)聯(lián)的信號(hào)特征進(jìn)行交叉驗(yàn)證，以減少噪聲或偽信號(hào)的干擾。在檢測(cè)到疑似發(fā)作事件時(shí)，系統(tǒng)會(huì)綜合分析各通道信號(hào)一致性，排除異常點(diǎn)引起的誤報(bào)警現(xiàn)象，確保報(bào)警信號(hào)的高準(zhǔn)確性與可靠性。

3） 多級(jí)報(bào)警模式與通知機(jī)制。為適應(yīng)不同臨床場(chǎng)景，系統(tǒng)支持多級(jí)報(bào)警模式，包括輕微警告、危險(xiǎn)預(yù)警及緊急報(bào)警三種級(jí)別。不同級(jí)別的報(bào)警將觸發(fā)不同的響應(yīng)機(jī)制，例如輕微警告發(fā)送至患者本人的移動(dòng)設(shè)備，緊急報(bào)警則會(huì)通知監(jiān)護(hù)人及醫(yī)護(hù)人員，并記錄報(bào)警事件的時(shí)間戳和詳細(xì)信號(hào)數(shù)據(jù)，為后續(xù)分析和干預(yù)提供基礎(chǔ)[4]。

4 功能驗(yàn)證與測(cè)試

4.1 開(kāi)發(fā)環(huán)境的技術(shù)選型

1） 高頻信號(hào)采集與實(shí)時(shí)濾波。模塊通過(guò)多通道EEG設(shè)備采集高頻腦電信號(hào)，實(shí)時(shí)濾波去除高頻噪聲和低頻干擾。該過(guò)程確保信號(hào)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(cè)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(hào)分解為多頻率尺度，有效去除偽影和外界干擾，同時(shí)保留癲癇特征的原始信號(hào)形態(tài)。多尺度處理在提取EEG信號(hào)的復(fù)雜結(jié)構(gòu)特征上具有顯著優(yōu)勢(shì)。

3） 滑動(dòng)窗口分段與時(shí)序標(biāo)準(zhǔn)化。信號(hào)流按固定長(zhǎng)度的滑動(dòng)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(hào)的一致性和對(duì)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(guò)分段與標(biāo)準(zhǔn)化的信號(hào)進(jìn)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(duì)實(shí)時(shí)數(shù)據(jù)處理的高效需求，系統(tǒng)采用異步處理框架，通過(guò)并行架構(gòu)大幅降低延遲，實(shí)現(xiàn)高效精準(zhǔn)的檢測(cè)[5]。

4.2 功能模塊的集成測(cè)試

集成測(cè)試旨在驗(yàn)證癲癇檢測(cè)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(hào)時(shí)具備實(shí)時(shí)性、穩(wěn)定性及高準(zhǔn)確性。測(cè)試覆蓋數(shù)據(jù)采集、信號(hào)預(yù)處理、深度學(xué)習(xí)模型分類(lèi)和報(bào)警模塊的響應(yīng)，以評(píng)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(cè)試項(xiàng)目涵蓋模型響應(yīng)時(shí)間、信號(hào)處理準(zhǔn)確率、報(bào)警延遲以及系統(tǒng)吞吐量等核心指標(biāo)。通過(guò)多次測(cè)試數(shù)據(jù)采集、模型推理和報(bào)警觸發(fā)的完整流程，確保各模塊無(wú)縫集成并能在不同條件下穩(wěn)定工作。

集成測(cè)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(shí)時(shí)性需求匹配。信號(hào)預(yù)處理模塊將單次窗口的處理時(shí)間控制在45 ms以?xún)?nèi)，為后續(xù)模型推理提供了充足的實(shí)時(shí)處理能力。CNN-LSTM模型在多樣化測(cè)試數(shù)據(jù)集中達(dá)到了98.3%的發(fā)作檢測(cè)準(zhǔn)確率，在推理速率上則保持在每秒95 ms的響應(yīng)時(shí)間，確保了檢測(cè)結(jié)果的即時(shí)性。報(bào)警模塊的異步響應(yīng)設(shè)計(jì)使得消息傳遞延遲維持在180 ms內(nèi)，多用戶(hù)并發(fā)時(shí)的系統(tǒng)吞吐量達(dá)到1 200數(shù)據(jù)包/秒，驗(yàn)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(píng)估

應(yīng)用效果評(píng)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(shí)時(shí)性、模型的檢測(cè)精度、報(bào)警的響應(yīng)速度等核心指標(biāo)。此評(píng)估通過(guò)與實(shí)際臨床應(yīng)用場(chǎng)景的數(shù)據(jù)對(duì)比驗(yàn)證系統(tǒng)的適用性，分析其在癲癇發(fā)作檢測(cè)中的實(shí)際效果表現(xiàn)，以確保其穩(wěn)定性和準(zhǔn)確性。

評(píng)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(dá)99.9%，符合實(shí)時(shí)腦電采集要求。模型對(duì)隨機(jī)發(fā)作事件的檢測(cè)準(zhǔn)確率達(dá)到98.5%，在實(shí)際場(chǎng)景中表現(xiàn)出良好的異常事件識(shí)別能力和魯棒性。報(bào)警觸發(fā)延遲平均為180 ms，實(shí)現(xiàn)了低延遲觸發(fā)機(jī)制，適應(yīng)癲癇發(fā)作檢測(cè)的快速響應(yīng)需求。系統(tǒng)在多用戶(hù)并發(fā)環(huán)境下的數(shù)據(jù)處理吞吐量達(dá)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(chǎng)景。此外，長(zhǎng)時(shí)間運(yùn)行測(cè)試未出現(xiàn)異常，表明系統(tǒng)能夠在持續(xù)檢測(cè)場(chǎng)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(yǔ)

本研究構(gòu)建了基于CNN和LSTM的集成模型，實(shí)現(xiàn)了癲癇發(fā)作的高效自動(dòng)檢測(cè)，顯著提升了腦電信號(hào)特征提取與時(shí)序分析的精準(zhǔn)度，滿(mǎn)足臨床實(shí)時(shí)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(cè)中的應(yīng)用潛力。未來(lái)研究將聚焦于模型優(yōu)化、跨平臺(tái)部署及多模態(tài)數(shù)據(jù)融合，以進(jìn)一步提升檢測(cè)性能并擴(kuò)展臨床應(yīng)用場(chǎng)景。

參考文獻(xiàn)：

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

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

[3] 梁袁澤.基于經(jīng)驗(yàn)?zāi)B(tài)分解與排列熵的癲癇腦電信號(hào)自動(dòng)檢測(cè)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(hào)分類(lèi)算法研究與FPGA實(shí)現(xiàn)[D].哈爾濱：哈爾濱理工大學(xué)，2023.

[5] 于永強(qiáng).基于圖卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電信號(hào)分類(lèi)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(dòng)檢測(cè)研究[D].濟(jì)南：山東師范大學(xué)，2023.

【通聯(lián)編輯：梁書(shū)】