[论文解读] Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals

Almabrok Essa, Hari Kotte|arXiv (Cornell University)|Dec 30, 2021

EEG and Brain-Computer Interfaces被引用 6

一句话总结

本文综述了深度学习（DL）在无创脑信号分析中的最新进展，重点关注脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。结果表明，深度学习模型——尤其是卷积神经网络（CNNs）和深度卷积神经网络（DCNNs）——在分类癫痫尖峰、缺血性卒中和发作间期癫痫样放电（IEDs）方面表现出高准确率（AUC > 0.9），优于传统基于特征的方法。

ABSTRACT

Brain signals constitute the information that are processed by millions of brain neurons (nerve cells and brain cells). These brain signals can be recorded and analyzed using various of non-invasive techniques such as the Electroencephalograph (EEG), Magneto-encephalograph (MEG) as well as brain-imaging techniques such as Magnetic Resonance Imaging (MRI), Computed Tomography (CT) and others, which will be discussed briefly in this paper. This paper discusses about the currently emerging techniques such as the usage of different Deep Learning (DL) algorithms for the analysis of these brain signals and how these algorithms will be helpful in determining the neurological status of a person by applying the signal decoding strategy.

研究动机与目标

• 总结用于分析无创脑信号（如EEG、MEG和fMRI）的最新深度学习技术。
• 将传统信号处理方法（如DWT、WPT）与现代基于深度学习的特征提取和分类方法进行比较。
• 评估卷积神经网络（CNNs）和深度卷积神经网络（DCNNs）在检测癫痫尖峰和缺血性卒中等神经异常方面的性能。
• 展示深度学习模型在自动化EEG解读和提高诊断准确性方面的临床相关性。

提出的方法

• 采用深度学习架构，特别是1D和2D卷积神经网络（CNNs），对原始EEG和EOG信号进行端到端特征提取与分类。
• 在多个EEG数据集上训练的CNN模型中应用迁移学习和数据增强策略，采用80%训练集与20%验证集的划分。
• 在CNN架构中使用ReLU激活函数、池化层和全连接层，以提升分类性能。
• 利用遮挡可视化和似然热图解释DCNN的决策过程，使模型关注区域与临床医生对IEDs的视觉检查保持一致。
• 使用AUC和全局平均准确率等指标，将DL模型（1DCNN、DCNN）与经典方法（SVM、朴素贝叶斯、RBF网络）进行比较。
• 在真实世界数据集上验证模型，包括癫痫检测和缺血性卒中识别数据集，采用5折交叉验证。

实验结果

研究问题

• RQ1 深度学习模型（如CNNs和DCNNs）在分类无创脑信号方面与传统机器学习方法相比如何？
• RQ2 端到端深度学习模型能否在从原始EEG信号中检测发作间期癫痫样放电（IEDs）方面实现高诊断准确率？
• RQ3 深度学习模型在多大程度上能够复现临床专家识别癫痫尖峰时的视觉决策过程？
• RQ4 1DCNN在区分缺血性卒中患者与健康对照组的EEG和EOG信号方面表现如何？
• RQ5 不同超参数（如训练轮数、滤波器大小）如何影响深度学习模型在脑信号分析中的分类准确率？

主要发现

• 深度学习模型，尤其是DCNNs，在检测发作间期癫痫样放电（IEDs）方面AUC得分超过0.9，表明其具有极佳的诊断性能。
• SpikeNet模型成功将完整EEG记录分类为IED阳性或IED阴性，其性能与临床专家相当。
• 在多个EEG数据集上训练的CNN模型在分类癫痫与正常EEG信号方面，全局平均准确率超过90%（见表4）。
• EEG波形级别CNN系统取得了高AUC得分（见表5），输出概率被映射到[0,1]区间，以表示EEG波形的尖锐程度。
• 1DCNN模型在区分缺血性卒中患者与对照组方面优于传统方法（如朴素贝叶斯和标准神经网络），AUC显著提升。
• 遮挡可视化等技术证实，DCNNs关注的是临床上相关的EEG区域，验证了模型的可解释性及其与专家诊断的一致性。