[论文解读] Epileptic Seizure Detection: A Deep Learning Approach

Ramy Hussein, Hamid Palangi+2 more|arXiv (Cornell University)|Mar 27, 2018

EEG and Brain-Computer Interfaces参考文献 64被引用 61

一句话总结

本文提出一个基于 LSTM 的深度学习管道，将 EEG 数据分割为非重叠的时间段（epochs），学习高层特征，并使用 Softmax 进行癫痫发作分类，在 Bonn EEG 数据集上在理想与嘈杂条件下均显示出稳健的性能。

ABSTRACT

Epilepsy is the second most common brain disorder after migraine. Automatic detection of epileptic seizures can considerably improve the patients' quality of life. Current Electroencephalogram (EEG)-based seizure detection systems encounter many challenges in real-life situations. The EEGs are non-stationary signals and seizure patterns vary across patients and recording sessions. Moreover, EEG data are prone to numerous noise types that negatively affect the detection accuracy of epileptic seizures. To address these challenges, we introduce the use of a deep learning-based approach that automatically learns the discriminative EEG features of epileptic seizures. Specifically, to reveal the correlation between successive data samples, the time-series EEG data are first segmented into a sequence of non-overlapping epochs. Second, Long Short-Term Memory (LSTM) network is used to learn the high-level representations of the normal and the seizure EEG patterns. Third, these representations are fed into Softmax function for training and classification. The results on a well-known benchmark clinical dataset demonstrate the superiority of the proposed approach over the existing state-of-the-art methods. Furthermore, our approach is shown to be robust in noisy and real-life conditions. Compared to current methods that are quite sensitive to noise, the proposed method maintains its high detection performance in the presence of common EEG artifacts (muscle activities and eye-blinking) as well as white noise.

研究动机与目标

• 自动EEG基础的癫痫发作检测以改善患者生活质量。
• 开发能够处理非平稳、易受伪迹影响的 EEG 数据的鲁棒深度学习模型。
• 利用分段的 LSTM 特征学习，随后进行 softmax 分类。
• 在 Bonn 大学 EEG 基准数据集上在理想与嘈杂条件下评估性能。

提出的方法

• 将时序 EEG 分割为非重叠的段以捕捉时间相关性。
• 采用三层架构，包含一个 100 单元的 LSTM、一个时分布的 Dense 层（50 个单元）以及一个一维平均池化层。
• 使用交叉熵损失和 Adam 优化器进行 softmax 分类器的训练。
• 通过引入伪迹（眼动、肌电）和高斯白噪声来扩充数据以测试鲁棒性。
• 评估时探索留出法与交叉验证两种方案。

实验结果

研究问题

• RQ1 一个基于 LSTM 的模型是否能够从分段的 EEG 数据中学习可区分癫痫发作的特征？
• RQ2 分段级的 LSTM 特征学习是否比传统方法在 Bonn 数据集上提高癫痫发作检测的准确性？
• RQ3 所提出的方法对常见 EEG 伪迹和白噪声的鲁棒性如何？
• RQ4 在 Bonn 数据上二类、三类和五类 EEG 问题能够达到的分类性能（灵敏度、特异性、准确度）是多少？

主要发现

• 在 Bonn EEG 数据集上达到高检测性能，在若干二类与留出设置下达到 100.0% 的准确率。
• 证明对肌肉活动、眼跳和白噪声等伪迹具备鲁棒性，在嘈杂条件下仍保持高准确率。
• 在二类结果中，在所提出的留出和交叉验证配置下显示 100.0% 的灵敏度和 100.0% 的特异性。
• 在理想条件下，该方法在 Bonn 数据集上优于若干最先进的方法。
• EEG 分割长度分析表明 L=1 或 L=2 能达到最佳准确性，且为在准确性与效率之间的平衡选择了 L=2。