[论文解读] A Robust Deep Learning Approach for Automatic Classification of Seizures Against Non-seizures

Xinghong Yao, X. Li+4 more|arXiv (Cornell University)|Dec 17, 2018

EEG and Brain-Computer Interfaces参考文献 28被引用 8

一句话总结

该论文提出了一种新颖的深度学习模型，结合双向长短期记忆网络（BiLSTM）与通道注意力机制，以提升脑电信号中自动癫痫/非癫痫发作分类的性能。通过注意力加权的通道贡献捕捉空间特征，并利用前向与后向序列建模捕捉时间动态，该方法在噪声较大的CHB-MIT脑电数据集上进行交叉验证时，实现了87.0%的敏感度、88.6%的特异度和88.63%的精确度，优于现有最先进方法且方差更低。

ABSTRACT

Identifying epileptic seizures through analysis of the electroencephalography (EEG) signal becomes a standard method for the diagnosis of epilepsy. Manual seizure identification on EEG by trained neurologists is time-consuming, labor-intensive and error-prone, and a reliable automatic seizure/non-seizure classification method is needed. One of the challenges in automatic seizure/non-seizure classification is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure patterns, this paper leverages an attention mechanism and a bidirectional long short-term memory (BiLSTM) to exploit both spatial and temporal discriminating features and overcome seizure variabilities. The attention mechanism is to capture spatial features according to the contributions of different brain regions to seizures. The BiLSTM is to extract discriminating temporal features in the forward and the backward directions. Cross-validation experiments and cross-patient experiments over the noisy data of CHB-MIT are performed to evaluate our proposed approach. The obtained average sensitivity of 87.00%, specificity of 88.60% and precision of 88.63% in cross-validation experiments are higher than using the current state-of-the-art methods, and the standard deviations of our approach are lower. The evaluation results of cross-patient experiments indicate that, our approach has better performance compared with the current state-of-the-art methods and is more robust across patients.

研究动机与目标

• 为解决在基于脑电图的癫痫发作检测中，癫痫发作形态在不同患者之间及同一患者内部存在高度变异性的挑战。
• 通过联合建模脑电信号中的空间（通道级别）与时间（时间序列）特征，提升自动癫痫/非癫痫发作分类性能。
• 开发一种鲁棒的、与患者无关的模型，无需患者特异性微调即可在不同个体间良好泛化。
• 通过端到端深度学习直接从原始脑电信号中学习特征，减少对预训练模型或手工设计特征的依赖。

提出的方法

• 在脑电通道上应用注意力机制，根据各通道对癫痫检测的贡献动态分配重要性权重。
• 采用双向长短期记忆网络（BiLSTM）以正向与反向方式处理脑电序列，捕捉过去与未来上下文中的时间依赖性。
• 将BiLSTM的输出划分为时间步长的片段，每个片段独立处理以提取局部特征。
• 对最终的特征表示应用全局平均池化，以获得整体的段级别嵌入向量用于分类。
• 模型在原始脑电信号上进行端到端训练，无需预训练，从而可直接从输入信号学习特征。
• 注意力机制在时间步之间共享，假设空间贡献（通道重要性）在短时程内保持稳定。

实验结果

研究问题

• RQ1 与标准LSTM或基于CNN的模型相比，采用通道注意力机制的BiLSTM是否能提升癫痫/非癫痫发作分类性能？
• RQ2 建模正向与反向时间依赖性是否能增强对脑电图中可变癫痫发作模式的检测能力？
• RQ3 注意力机制是否能有效识别在不同患者中对癫痫检测最具信息量的大脑区域？
• RQ4 在跨患者设置下，该方法性能如何，其中患者特异性模式存在显著差异？
• RQ5 与需要预训练的模型相比，该方法无预训练是否能提升鲁棒性与泛化能力？

主要发现

• 在交叉验证实验中，该模型在噪声较大的CHB-MIT脑电数据集上实现了平均87.00%的敏感度、88.60%的特异度和88.63%的精确度。
• 敏感度、特异度与精确度的标准差分别为0.0363、0.0463与0.0388，表明其方差低于现有最先进方法。
• 在跨患者实验中，该模型实现了83.72%的敏感度、84.06%的特异度与85.36%的精确度，展现出在不同患者间的强大泛化能力。
• 该模型优于文献[4]中的循环CNN方法与文献[34]中的REVEAL算法，敏感度显著更高（61%），且性能更稳定。
• 注意力机制实现了患者特异的通道加权，相比均匀处理各通道，显著提升了特征提取效果。
• 单通道脑电信号表现差，证实多通道融合对可靠癫痫检测的必要性。