[论文解读] Learning Robust Features using Deep Learning for Automatic Seizure Detection

Pierre Thodoroff, Joëlle Pineau+1 more|arXiv (Cornell University)|Jul 31, 2016

EEG and Brain-Computer Interfaces参考文献 14被引用 171

一句话总结

一种递归卷积神经网络通过基于图像的脑电图表示来学习鲁棒的时空-频域 EEG 特征以检测癫痫发作，从而提升跨患者的性能和对缺失通道的鲁棒性。

ABSTRACT

We present and evaluate the capacity of a deep neural network to learn robust features from EEG to automatically detect seizures. This is a challenging problem because seizure manifestations on EEG are extremely variable both inter- and intra-patient. By simultaneously capturing spectral, temporal and spatial information our recurrent convolutional neural network learns a general spatially invariant representation of a seizure. The proposed approach exceeds significantly previous results obtained on cross-patient classifiers both in terms of sensitivity and false positive rate. Furthermore, our model proves to be robust to missing channel and variable electrode montage.

研究动机与目标

• 推动自动癫痫检测，降低对专科神经科医生的依赖。
• 通过从多通道 EEG 数据中学习鲁棒特征，开发可跨患者泛化的深度学习方法。
• 利用基于图像的脑电图表示来捕捉光谱、时间和空间信息。
• 在 CHB-MIT 数据集上评估跨患者和个体患者的癫痫检测，并与现有方法进行比较。

提出的方法

• 通过将电极位置投影到二维并对每个电极编码三个频带（0–7 Hz、7–14 Hz、14–49 Hz），创建1秒 EEG 窗口的基于图像的表示。
• 应用一个递归卷积神经网络，将来自1秒图像的64维卷积特征输入到一个在30秒内的序列模型（LSTM，双向）中。
• 使用梯度下降端到端训练网络，采用随机负采样来平衡类别，并进行预训练以初始化权重。
• 在联合训练完整模型之前使用预训练来初始化卷积层，并应用迁移学习来跨患者实现个体化检测器。
• 使用三模型结构相同的集成以降低预测方差。

实验结果

研究问题

• RQ1 深度神经网络是否能够学习一种通用的、空间不变的癫痫表示，并跨患者转移？
• RQ2 在 CHB-MIT 上，所提出模型在个体患者检测与跨患者检测中的性能如何？
• RQ3 基于图像的 EEG 表示对缺失通道和不同电极布置是否鲁棒？
• RQ4 考虑到癫痫数据有限，预训练与迁移学习是否提升了性能？
• RQ5 与手工特征方法和商业检测器在灵敏度和误报率方面的比较如何？

主要发现

• 跨患者检测实现了更高的平均灵敏度（85%）并将误报率降至（0.8/hour），优于 REVEAL（灵敏度67%，1.7/hour FPR）。
• 个体检测性能与 Shoeb 的手工特征 SVM 检测器相当，但在对缺失 EEG 通道的鲁棒性方面更强。
• 基于图像的 EEG 表示实现了强鲁棒的跨患者泛化，且能适应不同的电极布置。
• 该模型在 CHB-MIT 数据集（969 小时，173 次癫痫发作）上表现出色，并可通过遮挡分析定位癫痫起源。
• 应对数据稀缺的训练策略（负采样、预训练、迁移学习、集成）提升了学习稳定性和性能。