[论文解读] Synthetic Epileptic Brain Activities Using Generative Adversarial Networks

Damián Pascual, Amir Aminifar+3 more|arXiv (Cornell University)|Jul 22, 2019

EEG and Brain-Computer Interfaces被引用 6

一句话总结

本文提出了一种条件生成对抗网络（Conditional GAN），该网络基于患者的发作间期EEG数据生成高保真度的合成癫痫发作EEG信号。在30名癫痫患者的数据上进行训练后，该GAN生成的发作期样本在用于训练时，其癫痫检测性能与使用真实数据训练相当，几何平均敏感度与特异度的整体提升达1.2%。

ABSTRACT

Epilepsy is a chronic neurological disorder affecting more than 65 million people worldwide and manifested by recurrent unprovoked seizures. The unpredictability of seizures not only degrades the quality of life of the patients, but it can also be life-threatening. Modern systems monitoring electroencephalography (EEG) signals are being currently developed with the view to detect epileptic seizures in order to alert caregivers and reduce the impact of seizures on patients' quality of life. Such seizure detection systems employ state-of-the-art machine learning algorithms that require a considerably large amount of labeled personal data for training. However, acquiring EEG signals of epileptic seizures is a costly and time-consuming process for medical experts and patients, currently requiring in-hospital recordings in specialized units. In this work, we generate synthetic seizure-like brain electrical activities, i.e., EEG signals, that can be used to train seizure detection algorithms, alleviating the need for recorded data. First, we train a Generative Adversarial Network (GAN) with data from 30 epilepsy patients. Then, we generate synthetic personalized training sets for new, unseen patients, which overall yield higher detection performance than the real-data training sets. We demonstrate our results using the datasets from the EPILEPSIAE Project, one of the world's largest public databases for seizure detection.

研究动机与目标

• 解决癫痫监测系统中标签化发作数据稀缺的关键挑战。
• 开发一种深度生成模型，能够从发作间期数据中合成逼真的发作期EEG信号。
• 评估仅使用合成发作期数据是否可训练出与真实数据训练性能相当的检测模型。
• 为新患者实现个性化癫痫检测系统，而无需其自身记录的发作数据。
• 证明在保护隐私且可扩展的条件下，完全基于合成数据训练的可行性。

提出的方法

• 使用发作间期EEG样本作为输入，训练条件GAN以生成发作期EEG信号。
• 生成器采用U-Net架构，结合可学习的加权跳跃连接和高斯噪声注入以引入随机性。
• 判别器复用生成器的编码器架构，并额外增加一个全连接层用于真实/虚假分类。
• 模型采用最小二乘生成对抗网络（LSGAN）损失以稳定训练并提升样本质量。
• 对于新患者，使用其自身的发作间期EEG作为条件输入，生成合成发作期样本。
• 使用从每根电极提取的54项功率和非线性度量特征，对随机森林分类器在合成与真实训练集上进行训练与评估。

实验结果

研究问题

• RQ1 GAN能否生成足够逼真的合成癫痫EEG信号，以训练出有效的癫痫检测模型？
• RQ2 仅使用合成发作期数据训练癫痫检测模型，其性能是否可与使用真实发作期数据训练相媲美？
• RQ3 将GAN条件化为患者自身的发作间期EEG，是否能提升生成发作期信号的个性化与真实感？
• RQ4 合成数据对癫痫检测中敏感度与特异度的几何平均值有何影响？
• RQ5 该方法能否使新患者无需自身记录发作数据，即可实现个性化监测系统？

主要发现

• 与使用通用数据库真实数据训练相比，使用合成发作期样本训练使敏感度与特异度的几何平均值整体提升了1.2%。
• 在29名患者中的20名（69%）中，使用合成数据的性能优于真实数据训练超过1%。
• 仅有四名患者在使用合成数据时性能下降超过1%，表明该方法在个体间具有高度鲁棒性。
• 由于基于个体发作间期EEG进行条件化，合成发作期样本保留了患者特异性特征，增强了真实感与检测实用性。
• 可视化结果显示，该模型在多个EEG导联中成功生成了类似癫痫的节律，包括δ-θ波段活动。
• 该方法可仅使用发作间期数据与合成发作期样本，为新患者训练癫痫检测系统，无需真实发作记录。