[论文解读] Detecting Epileptic Seizures from EEG Data using Neural Networks

Siddharth Pramod, Adam Page+2 more|arXiv (Cornell University)|Dec 19, 2014

EEG and Brain-Computer Interfaces参考文献 7被引用 9

一句话总结

本研究提出一种带有Dropout正则化的神经网络，用于从14个头皮导联的1秒非重叠EEG窗中检测癫痫发作。该模型基于126维特征向量进行训练，在患者记录的留一法交叉验证中表现出高敏感性和特异性，显示出对未见个体的强泛化能力。

ABSTRACT

We explore the use of neural networks trained with dropout in predicting epileptic seizures from electroencephalographic data (scalp EEG). The input to the neural network is a 126 feature vector containing 9 features for each of the 14 EEG channels obtained over 1-second, non-overlapping windows. The models in our experiments achieved high sensitivity and specificity on patient records not used in the training process. This is demonstrated using leave-one-out-cross-validation across patient records, where we hold out one patient's record as the test set and use all other patients' records for training; repeating this procedure for all patients in the database.

研究动机与目标

• 开发一种用于从头皮EEG记录中自动检测癫痫发作的稳健机器学习模型。
• 通过在神经网络中引入Dropout正则化，提升模型在多样化患者记录中的泛化能力。
• 使用留一法交叉验证评估模型性能，确保在完全未见过的患者数据上进行测试。
• 在不针对个体患者模式过拟合的情况下，实现高敏感性和特异性以预测癫痫发作。

提出的方法

• 神经网络的输入为126维特征向量，由14个EEG导联在1秒非重叠时间窗内各贡献9个特征构成。
• 采用带有Dropout正则化的前馈神经网络，以减少过拟合并提升对新患者数据的泛化能力。
• 使用留一法交叉验证对模型进行评估，即保留一位患者的全部记录作为测试集，其余患者数据用于训练。
• 特征提取通过计算每个EEG导联的9个统计和谱特征实现，以捕捉与癫痫发作预测相关的动态信息。
• 网络架构经过优化，以在分类癫痫发作与非癫痫发作状态时平衡敏感性和特异性。

实验结果

研究问题

• RQ1 带有Dropout的神经网络能否有效检测来自多位患者的1秒EEG片段中的癫痫发作？
• RQ2 当在完全未见过的患者记录上测试时，该模型的性能如何泛化？
• RQ3 在多患者EEG数据库上使用留一法交叉验证，可实现多高的敏感性和特异性？
• RQ4 Dropout正则化是否能提升模型的鲁棒性并防止在患者特异性EEG癫痫发作检测中出现过拟合？

主要发现

• 在所有留一法患者评估中，该模型均表现出高敏感性和特异性，成功检测出癫痫发作。
• 性能在不同患者间保持一致，表明对未见个体记录具有强泛化能力。
• Dropout正则化的使用有助于训练过程中的性能稳定，并减少过拟合。
• 126维特征向量表示能有效捕捉14个EEG导联中与癫痫发作检测相关的判别性模式。