[论文解读] Automatic Identification of Epileptic Seizures from EEG Signals using Sparse Representation-based Classification

Sobhan Sheykhivand, Tohid Yousefi Rezaii+3 more|arXiv (Cornell University)|Oct 18, 2019

EEG and Brain-Computer Interfaces参考文献 29被引用 4

一句话总结

该论文提出了一种基于稀疏表示分类（SRC）的全自动癫痫发作检测系统，采用自学习的脑电信号字典，无需人工特征提取。在9种场景中的8种场景下实现了100%的敏感度、特异度和准确率，并在0 dB噪声环境下表现出鲁棒性，优于现有最先进方法，在多种多类癫痫发作检测配置中表现更优。

ABSTRACT

Identifying seizure activities in non-stationary electroencephalography (EEG) is a challenging task, since it is time-consuming, burdensome, and dependent on expensive human resources and subject to error and bias. A computerized seizure identification scheme can eradicate the above problems, assist clinicians and benefit epilepsy research. So far, several attempts were made to develop automatic systems to help neurophysiologists accurately identify epileptic seizures. In this research, a fully automated system is presented to automatically detect the various states of the epileptic seizure. The proposed method is based on sparse representation-based classification (SRC) theory and the proposed dictionary learning using electroencephalogram (EEG) signals. Furthermore, the proposed method does not require additional preprocessing and extraction of features which is common in the existing methods. The proposed method reached the sensitivity, specificity and accuracy of 100% in 8 out of 9 scenarios. It is also robust to the measurement noise of level as much as 0 dB. Compared to state-of-the-art algorithms and other common methods, the proposed method outperformed them in terms of sensitivity, specificity and accuracy. Moreover, it includes the most comprehensive scenarios for epileptic seizure detection, including different combinations of 2 to 5 class scenarios. The proposed automatic identification of epileptic seizures method can reduce the burden on medical professionals in analyzing large data through visual inspection as well as in deprived societies suffering from a shortage of functional magnetic resonance imaging (fMRI) equipment and specialized physician.

研究动机与目标

• 开发一种完全自动化的、计算高效的癫痫发作检测系统，用于非平稳脑电信号。
• 消除现有方法中耗时的人工特征提取和预处理步骤的依赖。
• 通过减少神经生理学家在解读大规模脑电数据时的工作负担，提升临床工作流程效率。
• 在包括2至5类配置在内的多样化真实世界癫痫分类场景中，提高检测的准确性和鲁棒性。
• 支持缺乏磁共振成像（fMRI）或专业人员的资源有限地区的癫痫研究与临床诊断。

提出的方法

• 该方法采用基于稀疏表示分类（SRC）的技术，利用直接从原始脑电信号中学习的字典，跳过传统预处理和特征工程步骤。
• 字典通过稀疏编码框架从脑电数据中学习，以捕捉与不同发作状态相关的内在信号模式。
• 通过将每个测试脑电片段表示为所学习字典中原子的稀疏线性组合，并将类别分配给表示误差最小的类别，完成分类。
• 该方法对信号振幅变化具有不变性，并在低信噪比条件下（包括高达0 dB的噪声）保持性能稳定。
• 系统评估了多种配置，包括2类、3类、4类和5类癫痫状态检测，以确保泛化能力。
• 未使用任何外部预处理或手工设计的特征——仅将原始脑电时间序列数据直接输入SRC框架。

实验结果

研究问题

• RQ1 完全自动化的癫痫发作检测系统是否能在不依赖人工特征提取或预处理的情况下实现高准确率？
• RQ2 所提出的基于SRC的自学习字典方法在多样化多类癫痫发作检测场景（2至5类）中的表现如何？
• RQ3 该方法在临床脑电图记录中常见的噪声水平下，其鲁棒性达到何种程度？
• RQ4 与现有最先进算法相比，该方法在敏感度、特异度和准确率方面的表现如何？
• RQ5 该系统是否能有效减轻临床医生负担，并支持资源有限地区中的癫痫诊断？

主要发现

• 所提出的方法在9种测试场景中的8种中实现了100%的敏感度、特异度和准确率，表现出卓越的检测性能。
• 系统在0 dB测量噪声下仍保持稳健性能，表明对信号退化具有强抗性。
• 在所有评估配置中，该方法在敏感度、特异度和准确率方面均优于现有最先进算法。
• 由于省去了预处理和特征提取步骤，显著降低了计算开销，提高了自动化程度。
• 该方法在多个癫痫状态分类任务中均具有可扩展性和泛化能力，包括复杂的5类场景。
• 该方法特别适用于缺乏fMRI或专业神经科医生的临床和研究应用。