[论文解读] Residual Deep Convolutional Neural Network for EEG Signal Classification in Epilepsy

Diyuan Lu, Jochen Triesch|arXiv (Cornell University)|Mar 19, 2019

EEG and Brain-Computer Interfaces参考文献 15被引用 36

一句话总结

本论文在原始脑电数据上直接训练残差1D CNN，以分类癫痫相关状态，在 Bonn 与 Bern-Barcelona 数据集上达到最先进结果，无需手工特征。

ABSTRACT

Epilepsy is the fourth most common neurological disorder, affecting about 1% of the population at all ages. As many as 60% of people with epilepsy experience focal seizures which originate in a certain brain area and are limited to part of one cerebral hemisphere. In focal epilepsy patients, a precise surgical removal of the seizure onset zone can lead to effective seizure control or even a seizure-free outcome. Thus, correct identification of the seizure onset zone is essential. For clinical evaluation purposes, electroencephalography (EEG) recordings are commonly used. However, their interpretation is usually done manually by physicians and is time-consuming and error-prone. In this work, we propose an automated epileptic signal classification method based on modern deep learning methods. In contrast to previous approaches, the network is trained directly on the EEG recordings, avoiding hand-crafted feature extraction and selection procedures. This exploits the ability of deep neural networks to detect and extract relevant features automatically, that may be too complex or subtle to be noticed by humans. The proposed network structure is based on a convolutional neural network with residual connections. We demonstrate that our network produces state-of-the-art performance on two benchmark data sets, a data set from Bonn University and the Bern-Barcelona data set. We conclude that modern deep learning approaches can reach state-of-the-art performance on epileptic EEG classification and automated seizure onset zone identification tasks when trained on raw EEG data. This suggests that such approaches have potential for improving clinical practice.

研究动机与目标

• 推动自动化、端到端的癫痫EEG分类，以帮助癫痫发作起始区识别。
• 提出一个直接从原始EEG学习、无需特征工程的残差CNN架构。
• 在 Bonn 和 Bern-Barcelona 数据集上 展示在 Bonn 与 Bern-Barcelona 数据集上的最新性能。
• 研究网络单元对不同 EEG 类别的响应，以理解学习到的表示。

提出的方法

• 使用带残差块的一维卷积神经网络对原始预处理的 EEG 数据进行分类。
• 在每个卷积层之后应用批量归一化、 dropout 和 Leaky ReLU 激活。
• 使用 Adam 优化器、学习率衰减和固定的批量大小进行训练；使用零均值单位方差 Z-score 标准化。
• 采用随机裁剪数据增强以增加有效训练样本。
• 沿时间轴以因子4进行下采样；输入形状根据数据集调优。
• 在 Bonn（三类：健康、病态、癫痫发作）和 Bern-Barcelona（癫痫灶与非癫痫灶）数据集上进行评估，裁剪大小选择为 Bonn 3800、Bern-Barcelona 9800。

实验结果

研究问题

• RQ1 能否在原始 EEG 上直接训练的残差 CNN 在癫痫相关分类上达到高准确率，而无需手工特征？
• RQ2 在 Bonn 的三类癫痫相关任务上，该模型相对于先前方法的表现如何？
• RQ3 在 Bern-Barcelona 数据集的焦点与非焦点分类上，它的表现如何？
• RQ4 内部单元激活对网络学习到的类别特异表示揭示了什么？

主要发现

• 在 Bonn，通过提出的残差CNN，在健康/病态/癫痫发作三类上达到 99.0% 的准确率，灵敏度 96.15%、特异性 100%。
• 在 Bern-Barcelona，所提方法在焦点与非焦点分类上达到 91.8% 的准确率，灵敏度 95.3%、特异性 87.7%。
• Bonn 的结果超越了以往方法（例如手工特征在 88.0–98.67% 范围，以及其他 CNN/LSTM 基线），并在原始 EEG 输入下达到最先进的性能。
• 该模型学习到可分离的类别特异表示，如最后一层单元激活的可视化所显示，按类别清晰聚类。
• 使用原始 EEG 输入而非手工特征，在两个数据集上均达到竞争力或更优的性能，凸显端到端深度学习在癫痫EEG分析中的潜力。