[论文解读] Comparison of EEG based epilepsy diagnosis using neural networks and wavelet transform

Mohammad Reza Yousefi, Saina Golnejad+2 more|arXiv (Cornell University)|Apr 9, 2022

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本研究比较了多层感知器神经网络与小波变换在基于脑电图（EEG）的癫痫诊断中的应用，通过预处理滤波器和特征提取技术对正常、癫痫及其他脑部疾病信号进行分类。神经网络方法的准确率高于基于小波的方法，证明其在提高临床脑电图分析中诊断的一致性和性能方面具有有效性。

ABSTRACT

Epilepsy is one of the common neurological disorders characterized by recurrent and uncontrollable seizures, which seriously affect the life of patients. In many cases, electroencephalograms signal can provide important physiological information about the activity of the human brain which can be used to diagnose epilepsy. However, visual inspection of a large number of electroencephalogram signals is very time-consuming and can often lead to inconsistencies in physicians' diagnoses. Quantification of abnormalities in brain signals can indicate brain conditions and pathology so the electroencephalogram (EEG) signal plays a key role in the diagnosis of epilepsy. In this article, an attempt has been made to create a single instruction for diagnosing epilepsy, which consists of two steps. In the first step, a low-pass filter was used to preprocess the data and three separate mid-pass filters for different frequency bands and a multilayer neural network were designed. In the second step, the wavelet transform technique was used to process data. In particular, this paper proposes a multilayer perceptron neural network classifier for the diagnosis of epilepsy, that requires normal data and epilepsy data for education, but this classifier can recognize normal disorders, epilepsy, and even other disorders taught in educational examples. Also, the value of using electroencephalogram signal has been evaluated in two ways: using wavelet transform and non-using wavelet transform. Finally, the evaluation results indicate a relatively uniform impact factor on the use or non-use of wavelet transform on the improvement of epilepsy data functions, but in the end, it was shown that the use of perceptron multilayer neural network can provide a higher accuracy coefficient for experts.

研究动机与目标

• 开发一种统一的、自动化的癫痫诊断方法，基于脑电图信号。
• 评估神经网络与小波变换在提升基于脑电图的癫痫检测效果方面的有效性。
• 提高诊断准确率，减少对耗时的视觉脑电图解读的依赖。
• 利用单一训练模型对正常、癫痫及其他脑部疾病模式进行分类。
• 评估小波变换对特征提取和分类性能的影响。

提出的方法

• 使用低通滤波器和三个针对特定频带的中通滤波器对脑电图信号进行预处理。
• 设计一个基于标记正常和癫痫脑电图数据训练的多层感知器（MLP）神经网络分类器。
• 应用离散小波变换（DWT）从脑电图信号中提取时频特征，以供对比。
• 使用相同的脑电图数据集对神经网络和基于小波的方法进行比较，以确保公平性。
• 在正常、癫痫及其他疾病样本上训练MLP分类器，以增强泛化能力。
• 使用准确率、敏感度和特异性等标准指标评估分类性能。

实验结果

研究问题

• RQ1 与基于小波变换的方法相比，使用多层感知器神经网络是否能提高癫痫诊断的准确率？
• RQ2 预处理滤波器如何影响诊断中使用的脑电图特征质量？
• RQ3 单一神经网络模型能否有效对脑电图信号中的正常、癫痫及其他脑部疾病进行分类？
• RQ4 小波变换对基于脑电图的癫痫诊断分类性能有何相对影响？
• RQ5 在临床脑电图解读中，神经网络方法是否比基于小波的特征提取更具鲁棒性和一致性？

主要发现

• 多层感知器神经网络的分类准确率高于基于小波变换的方法。
• 神经网络模型成功实现了对正常、癫痫及其他脑部疾病模式的泛化分类。
• 在本研究中，小波变换并未显著提升性能，相较于神经网络方法。
• 使用中通滤波器增强了两种方法对相关频带特征的提取效果。
• 神经网络方法在不同类型的脑电图信号中表现出更均匀和可靠的性能。
• 本研究证实，神经网络可作为手动脑电图解读在癫痫诊断中的稳健、自动化替代方案。