[论文解读] Deep Architectures for Automated Seizure Detection in Scalp EEGs

Meysam Golmohammadi, Saeedeh Ziyabari+4 more|arXiv (Cornell University)|Dec 28, 2017

EEG and Brain-Computer Interfaces参考文献 29被引用 45

一句话总结

本文提出了一种新颖的混合深度学习架构，结合卷积神经网络（CNNs）与长短期记忆（LSTM）网络，用于头皮脑电图（EEG）中的自动癫痫发作检测。基于TUH EEG癫痫语料库，该模型在每24小时7次假阳性报警下达到30%的敏感度，通过有效建模EEG的时空模式，展现出最先进的性能表现，并在杜克大学独立语料库上保持一致的结果。

ABSTRACT

Automated seizure detection using clinical electroencephalograms is a challenging machine learning problem because the multichannel signal often has an extremely low signal to noise ratio. Events of interest such as seizures are easily confused with signal artifacts (e.g, eye movements) or benign variants (e.g., slowing). Commercially available systems suffer from unacceptably high false alarm rates. Deep learning algorithms that employ high dimensional models have not previously been effective due to the lack of big data resources. In this paper, we use the TUH EEG Seizure Corpus to evaluate a variety of hybrid deep structures including Convolutional Neural Networks and Long Short-Term Memory Networks. We introduce a novel recurrent convolutional architecture that delivers 30% sensitivity at 7 false alarms per 24 hours. We have also evaluated our system on a held-out evaluation set based on the Duke University Seizure Corpus and demonstrate that performance trends are similar to the TUH EEG Seizure Corpus. This is a significant finding because the Duke corpus was collected with different instrumentation and at different hospitals. Our work shows that deep learning architectures that integrate spatial and temporal contexts are critical to achieving state of the art performance and will enable a new generation of clinically-acceptable technology.

研究动机与目标

• 为解决头皮EEG中信噪比低的问题，该问题使自动癫痫发作检测变得复杂。
• 降低临床EEG监测中的假阳性报警率，这是现有商用系统的主要局限。
• 评估整合空间建模（CNN）与时间建模（LSTM）的深度学习架构，以提升检测性能。
• 利用杜克大学癫痫语料库验证模型在不同数据采集环境下的泛化能力。
• 基于大规模EEG数据，开发一种临床可接受的自动癫痫发作检测系统。

提出的方法

• 作者设计了一种混合深度架构，结合一维卷积层以提取多个EEG导联上的空间特征，以及双向LSTM层以建模时间依赖性。
• 该模型在TUH EEG癫痫语料库上进行端到端训练，该语料库是一个大规模多导联头皮EEG记录数据集。
• 通过在多个EEG电极的时间序列信号上应用一维卷积，实现空间特征提取。
• 通过双向LSTM实现时间建模，以捕捉来自过去和未来信号段的长程依赖性和上下文信息。
• 采用标准深度学习训练流程进行优化，损失函数为交叉熵损失，并使用早停法。
• 使用标准指标评估性能：在保留的测试集上，以每24小时为单位的敏感度和假阳性率。

实验结果

研究问题

• RQ1 结合CNN与LSTM的混合深度学习模型能否有效检测低信噪比头皮EEG记录中的癫痫发作？
• RQ2 所提出的架构在敏感度和假阳性报警率方面是否达到临床可接受的性能水平？
• RQ3 该模型在不同EEG采集设置和医疗机构之间的性能泛化能力如何？
• RQ4 空间建模与时间建模组件对提升检测准确度的贡献程度如何？
• RQ5 在大规模EEG语料库上训练的深度学习模型是否能超越传统信号处理方法在癫痫检测中的表现？

主要发现

• 所提出的混合CNN-LSTM架构在TUH EEG癫痫语料库上实现每24小时7次假阳性报警下30%的敏感度，显著提升了临床可接受性。
• 该模型在来自杜克大学的独立数据集上泛化良好，尽管仪器和医院设置存在差异，但性能趋势相似。
• 空间建模（CNN）与时间建模（LSTM）组件的整合对于实现最先进性能至关重要。
• 系统对EEG数据采集中的变化表现出鲁棒性，表明其具备实际临床部署潜力。
• 结果表明，当架构设计合理时，深度学习模型能够有效处理头皮EEG信号固有的复杂性与噪声。
• 本研究证实，即使在缺乏大规模标注数据集的情况下，通过在精心筛选的大规模语料库上进行训练，高维深度架构仍可有效用于癫痫检测。