[论文解读] Automated Epilepsy Diagnosis Using Interictal Scalp EEG

Forrest Sheng Bao, Jue-Ming Gao+4 more|ArXiv.org|Apr 24, 2009

EEG and Brain-Computer Interfaces参考文献 17被引用 7

一句话总结

本文提出了一种基于发作间期头皮脑电图的自动化癫痫诊断系统，利用功率谱特征、分形维数和Hjorth参数，从4096或8192样本段中提取特征，并通过经过优化的贝叶斯神经网络（PNN）投票集成进行分类。该系统实现了94.07%的准确率，与人类专家表现非常接近，且无需依赖昂贵的发作期数据采集。

ABSTRACT

Approximately over 50 million people worldwide suffer from epilepsy. Traditional diagnosis of epilepsy relies on tedious visual screening by highly trained clinicians from lengthy EEG recording that contains the presence of seizure (ictal) activities. Nowadays, there are many automatic systems that can recognize seizure-related EEG signals to help the diagnosis. However, it is very costly and inconvenient to obtain long-term EEG data with seizure activities, especially in areas short of medical resources. We demonstrate in this paper that we can use the interictal scalp EEG data, which is much easier to collect than the ictal data, to automatically diagnose whether a person is epileptic. In our automated EEG recognition system, we extract three classes of features from the EEG data and build Probabilistic Neural Networks (PNNs) fed with these features. We optimize the feature extraction parameters and combine these PNNs through a voting mechanism. As a result, our system achieves an impressive 94.07% accuracy, which is very close to reported human recognition accuracy by experienced medical professionals.

研究动机与目标

• 开发一种无需发作期脑电图数据的自动化癫痫诊断系统，因为该类数据难以获取且成本高昂。
• 评估在资源有限环境下，利用机器学习对发作间期头皮脑电图的诊断潜力。
• 优化特征提取参数与分类器融合策略，以最大化区分癫痫与非癫痫发作间期脑电图的准确率。
• 证明尽管存在噪声和伪影，发作间期头皮脑电图仍可实现与人类专家相当的高诊断准确率。

提出的方法

• 使用22导联10-20系统以200 Hz采样率，从6名癫痫患者和6名非癫痫受试者中采集脑电图数据。
• 将数据分段为4096或8192样本的窗口，用于特征提取与分类。
• 提取三类特征：功率谱特征（使用FFT）、分形维数（Higuchi方法）以及Hjorth参数（活动度、移动度、复杂度）。
• 对每类特征集分别训练贝叶斯神经网络（PNN），并通过投票机制组合，以提升鲁棒性与准确率。
• 通过留一法交叉验证（LOOCV）系统性优化特征提取参数——分段长度、滤波器截止频率（40–66 Hz）以及谱带/频带划分（2–32 Hz，1 Hz；2–34 Hz，2 Hz；2–34.5 Hz，2.5 Hz）。
• 最终分类器结合了所有导联与所有特征集的PNN，性能通过LOOCV、总体准确率、灵敏度与特异性进行评估。

实验结果

研究问题

• RQ1 仅使用发作间期头皮脑电图数据，结合自动化特征提取与分类，能否实现高诊断准确率？
• RQ2 功率谱、分形与Hjorth特征的不同组合如何影响癫痫与非癫痫脑电图的分类性能？
• RQ3 为最大化诊断准确率，特征提取参数（分段长度、滤波器截止频率、谱带/频带划分）的最佳配置是什么？
• RQ4 在多个脑电图导联与特征类型上训练的PNN投票集成，能否优于单一分类器？

主要发现

• 在最优特征提取配置下（分段长度8192样本，滤波器截止频率56 Hz，谱带2–34.5 Hz，2.5 Hz分箱），所提系统实现了94.07%的分类准确率。
• 各导联中最高准确率为85%（位于F8导联），Cz与Oz导联分别达到82%和82%。
• PNN投票集成将整体准确率提升至94.07%，灵敏度为83.33%，特异性为84.69%。
• 滤波器截止频率超过46 Hz后，准确率未显著提升，表明收益递减，且可能因工频干扰导致噪声放大。
• 8192样本分段长度优于4096样本，尤其在较高截止频率下表现更优，表明更长分段可提升特征稳定性。
• 该系统94.07%的准确率与报告的人类诊断准确率极为接近，验证了其临床潜力。