[论文解读] Patient Independent Interictal Epileptiform Discharge Detection

Matthew McDougall, Hezam Albaqami+2 more|PubMed|Apr 27, 2023

EEG and Brain-Computer InterfacesNeuroscience参考文献 18被引用 3

一句话总结

本文提出了一种基于原始头皮脑电图（EEG）数据的患者无关性发作间期癫痫样放电（IED）检测系统，结合了残差卷积神经网络（ResNet）和双向长短期记忆（Bi-LSTM）网络的集成模型。该模型在坦普尔大学医院脑电图癫痫数据集上进行训练，取得了94.92%的准确率和97.45%的AUC，优于现有最先进方法，并在不同患者间表现出强大的泛化能力。

ABSTRACT

Epilepsy is a highly prevalent brain condition with many serious complications arising from it. The majority of patients which present to a clinic and undergo electroencephalogram (EEG) monitoring would be unlikely to experience seizures during the examination period, thus the presence of interictal epileptiform discharges (IEDs) become effective markers for the diagnosis of epilepsy. Furthermore, IED shapes and patterns are highly variable across individuals, yet trained experts are still able to identify them through EEG recordings - meaning that commonalities exist across IEDs that an algorithm can be trained on to detect and generalise to the larger population. This research proposes an IED detection system for the binary classification of epilepsy using scalp EEG recordings. The proposed system features an ensemble based deep learning method to boost the performance of a residual convolutional neural network, and a bidirectional long short-term memory network. This is implemented using raw EEG data, sourced from Temple University Hospital's EEG Epilepsy Corpus, and is found to outperform the current state of the art model for IED detection across the same dataset. The achieved accuracy and Area Under Curve (AUC) of 94.92% and 97.45% demonstrates the effectiveness of an ensemble method, and that IED detection can be achieved with high performance using raw scalp EEG data, thus showing promise for the proposed approach in clinical settings.

研究动机与目标

• 开发一种患者无关的IED检测系统，能够在无需患者特异性微调的情况下泛化于多样化的脑电图记录。
• 通过使用原始、未经处理的头皮EEG信号，而非手工设计的特征，提升检测性能。
• 利用深度学习集成方法，增强在异质患者群体中识别IED的鲁棒性和准确性。
• 在大型公开脑电图数据集（坦普尔大学医院脑电图癫痫数据集）上验证模型的有效性。
• 展示自动化IED检测在常规脑电图监测中用于癫痫诊断的临床可行性。

提出的方法

• 该方法采用混合深度学习架构，结合残差卷积神经网络（ResNet）和双向长短期记忆（Bi-LSTM）网络。
• 以原始、未经处理的头皮EEG信号作为输入，避免了人工特征工程的需求。
• 采用集成学习策略，结合多个训练好的模型，以提升泛化能力并降低预测方差。
• 模型在坦普尔大学医院脑电图癫痫数据集上进行端到端训练，用于IED存在与否的二分类任务。
• 该架构通过Bi-LSTM层捕捉时间依赖性，通过ResNet组件中的卷积层捕捉空间模式。
• 使用标准指标评估模型性能：准确率和受试者工作特征曲线下面积（AUC）

实验结果

研究问题

• RQ1 深度学习模型是否能够在无需患者特异性适应的情况下，从原始头皮EEG数据中检测发作间期癫痫样放电？
• RQ2 深度神经网络的集成在多大程度上能够泛化于来自不同癫痫患者、多样化的脑电图记录？
• RQ3 在相同基准数据集上，所提出的模型与现有最先进方法相比，在准确率和AUC方面表现如何？
• RQ4 仅使用原始EEG数据是否足以支持高性能的IED检测，而无需事先的信号预处理或特征提取？
• RQ5 ResNet与Bi-LSTM组件的集成是否能增强临床脑电图应用中检测的鲁棒性和泛化能力？

主要发现

• 所提出的模型在坦普尔大学医院脑电图癫痫数据集上的测试准确率达到94.92%。
• 该模型获得受试者工作特征曲线下面积（AUC）为97.45%，表明具有出色的判别性能。
• 基于集成的深度学习方法在相同数据集上优于现有的最先进模型。
• 该系统无需患者特异性微调即可在原始EEG信号中成功检测IED，证明了其患者无关性。
• 结果证实，不同患者之间存在共通的IED模式，且可通过深度神经网络从原始数据中学习到。
• 高性能结果表明，该方法在常规脑电图解读中实现自动化IED检测具有强大的临床潜力。