基于CNN-LSTM模型的癫痫脑电信号识别方法.pdf

第 卷 第 期 年 月 文章编号:()中图分类号:文献标识码:基于 模型的癫痫脑电信号识别方法赵 伟(集美大学 诚毅学院 福建 厦门 )摘 要:为提高癫痫脑电图()信号识别的准确率 提出了一种将一维卷积神经网络()与长短期记忆网络()相结合的新模型(模型)首先采用 个卷积块来搭建 用于提取 序列的局部内在特征 然后利用 学习长期序列依赖关系 最后利用具有 激活函数的全连接神经网络实现癫痫 信号的自动识别 采用德国波恩大学癫痫研究室的癫痫数据库中的数据进行实验分析 结果表明 模型具有良好的分类性能 平均分类准确率达到.关键词:卷积神经网络 长短期记忆网络 癫痫 脑电信号 收稿日期:基金项目:福建省自然科学基金资助项目()福建省教育厅中青年教师教育科研项目()作者简介:赵伟()男福建莆田人副教授硕士主要从事人工智能与生物医学信号处理研究 ():()()()().:引言癫痫是由脑部神经元突发性异常放电所致短暂的大脑功能失调的一种慢性神经系统疾病脑电图()信号是由大脑神经元自发性电位活动产生的 蕴含着大量的生理和病理信息 是临床上诊断和治疗癫痫的重要依据 传统的癫痫诊断主要依靠经验丰 年 月富的医师通过肉眼判读 然而 数据量巨大 该方法耗时费劲 因此研究基于 的癫痫自动分析方法具有重要的临床意义近年来 国内外科研人员在癫痫自动识别技术方面做了大量的研究工作 这些研究工作可大致分为基于传统的识别方法和基于深度学习的方法 基于传统的识别方法首先采用信号分析技术来提取癫痫 的特征 再结合人工经验进行特征选择 最后训练机器学习的分类器实现癫痫自动识别 深度学习可以自主学习数据的内在特征 并根据分类任务自主选择特征 年 等首次将卷积神经网络()模型应用于癫痫 信号识别 其识别正常、癫痫发作间期和癫痫发作期 信号的准确率达到了 等将傅里叶变换()与 相结合 研究了多个分类任务下的癫痫 信号识别问题 等提出了一种基于长短期记忆网络()的癫痫 信号自动识别模型 其识别正常和癫痫发作期 的准确率达到了 具有良好的局部特征提取能力 具有较强的长期依赖学习能力 因此笔者提出了一种结合 与 的新模型(模型)用于癫痫 信号自动识别 研究方法 模型结构如图 所示 该模型可划分为特征提取和分类识别两个阶段 特征提取阶段采用 与 相结合的网络结构 其中 部分包含 个卷积块 每个卷积块包含层结构 依次为卷积层、批归一化()层、激活层、丢弃()层和池化()层 部分由 层 堆叠而成 分类器采用 个全连接()块 并结合 激活函数来实现各种分类任务下的癫痫 信号自动识别图 模型结构图 是一种包含卷积计算且具有局部连接和权值共享特点的前馈神经网络 它能自主学习数据的内在特征 并且取得较高的识别率 在生物医学信号处理领域已有较多应用 模型中 卷积块依次包含如下 层结构()卷积层 卷积层采用若干个卷积核对输入的 序列进行特征提取 卷积操作将卷积核与 序列中对应元素相乘 并不断移动卷积核继续进行计算 采用误差反向传播算法可学习到卷积核的参数 一维卷积操作可表示为:()()()()其中 为 序列 为卷积核 为卷积核的大小()为 时刻的卷积运算结果()层 在 中添加 操作可减少内部协变量转移 达到加快训练速度和提高模型泛化能力的目的 操作主要计算公式如下:第 期赵 伟:基于 模型的癫痫脑电信号识别方法 ()()()()()其中 为第个层的输入向量 和为其均值和方差 为标准化后的向量 为一个小数值的常数 为第 个 层的输出向量 和 分别为可学习的缩放系数和偏移量()激活层 为了提高网络的表达能力 通常在每个 层之后应用一个激活函数 函数是 中比较常用的一种激活函数它可以将非线性和稀疏性应用到网络结构中 并防止梯度消失 其表达式如下:()()()()()层 为了进一步提高模型的泛化能力以适应各种不同的分类任务 在卷积块中添加 层 操作在网络训练过程中 以一定的概率将网络中的神经元“丢弃”在测试过程中 则使用所有的神经元 其主要计算公式如下:()()()其中 表示伯努利分布函数 为第 层第 个神经元以概率 生成的伯努利随机变量 为第 层 的输入向量为训练过程中使用的神经元()池化层 池化技术是对数据进行降维用于保留主要特征和减少网络的训练参数量 同时可以减小过拟合 模型采用最大池化()进行下采样 它只取局部接受域中值最大的点 其公式如下:()()()()其中()表示第 层第 通道第 个神经元的值 表示池化核的尺寸()表示第 层第 个通道第 个神经元的输出值 是 和 针对传统 网络模型在处理长序列数据时出现的梯度消失问题而提出的一种特殊的循环神经网络 已广泛应用于癫痫识别 引入门机制来控制特征的流通和损失 单元核心由遗忘门、输入门 和输出门 构成 其原理图如图 所示 首先 遗忘门用于控制输入 和上一个隐藏状态 被遗忘的程度 接着 输入门用于控制何时将数据读入记忆元 最后 输出门控制当前记忆元的信息输出 具体表达式如下:()()()()()()()()()()()其中 为 函数 为权重参数 为偏置参数 为候选记忆元 为哈达玛积运算符 为 时刻的隐藏状态图 原理图 分类器 通常采用具有 激活函数的全连接神经网络来实现分类 模型的分类器包含 个 块 其中 前两个 块包含 层结构 依次为 层、激活层和 层 最后一个 块包含 层和 激活层 激活函数用于输出 信号属于各个类别的概率 其表达式如下:年 月()()()()其中 为激活前的层的输出 表示类别序号 为类别总数 数据来源本研究的实验数据来自德国波恩大学癫痫研究室的癫痫数据库 该数据库采集自 名健康志愿者和 名癫痫患者 该数据库已被广泛应用于癫痫 识别研究 数据库由 种类别的 组成 分别记为、其中 和 分别为健康志愿者睁眼和闭眼时的 和 分别为癫痫患者发作间期大脑病灶对侧区域和致痫区内的 为癫痫患者发作期的 每种类别数据集包含 个信号片段 每个信号片段记录 的 采样率为 为提高数据量将每个信号片段不重叠地切割为 份 每份样本包含 个数据点 每种类别包含个样本 不同类别的 参见图图 不同类别的 实验分析与讨论 评价指标为了评估 模型的性能 实验采用十折交叉验证 结果取其平均值 模型性能的评价指标选用准确率()、阳性预测值()和灵敏度()其公式定义如下:()()()其中 表示预测为正类的正样本数 表示预测为负类的负样本数 表示预测为正类的负样本数 表示预测为负类的正样本数 实验参数实验在 操作系统下使用开源深度学习框架 进行 模型采用 优化器其学习率、和分别设置为、和 损失函数选用交叉熵 丢弃概率设置为 批次大小设置为 总共对模型进行 次迭代训练图 中 所用卷积层均采用大小为 的一维卷积核 步长为 所有池化层采用大小为、步长为、填充为 的最大池化操作 卷积块、卷积块 和卷积块 的通道数分别设置为、和 层数为 每层包含 个隐藏单元 前 个 层的神经元个数为 最后一个 层的神经元个数为分类任务的类别总数第 期赵 伟:基于 模型的癫痫脑电信号识别方法 实验结果采用波恩大学癫痫数据库中的数据进行了二分类和三分类实验 二分类用于识别癫痫是否发作 三分类用于识别处于正常、癫痫发作间期或癫痫发作期的 信号 实验结果如表 所示可以看出 模型在二分类任务 、和 中 准确率分别为 、和 在三分类任务 和 中准确率分别达到 和 个分类任务的平均准确率、阳性预测值和灵敏度分别为 、和 表 模型性能表分类任务 平均值 为进一步分析 模型的性能 将 模型的识别准确率与使用同一数据库测试的 模型、模型和 混合模型的识别准确率进行对比 结果如表 所示 分析表 中数据可知 在大部分的癫痫 信号识别任务中 模型的识别准确率优于其他模型表 模型与现有模型的性能对比表分类任务文献模型准确率/等 等齐永锋等本文 等齐永锋等本文 等 等本文 等 等齐永锋等本文 等 等齐永锋等本文 结论本文提出了一种基于 模型的癫痫 信号自动识别方法 模型充分利用了 的局部特征学习能力和 的长期依赖学习能力 采用德国波恩大学癫痫研究室的癫痫数据库中的数据进行多个分类任务实验 模型平均准确率达到 实验结果表明本文提出的方法在大部分的癫痫识别任务中表现较佳 具有一定的临床应用潜力参考文献:张汉明 马金刚 张宁宁 等.深度学习在癫痫检测中的应用进展.计算机工程与应用():.徐嘉阳 杨婷婷 李雯 等.基于自适应多尺度脑功能连接的局灶性癫痫发作检测方法研究.中国生物医学工程学报():.曹玉珍 高晨阳 余辉 等.基于深度学习的癫痫脑电通道选择与发作检测.天津大学学报(自然科学与工程技术版)():.李明阳 陈万忠 张涛.基于 和 参数回归的癫痫脑电自动识别方法.仪器仪表学报():.():.张健钊 姜威 元辉 等.基于离散 变换和排列熵的癫痫脑电识别.生物医学工程学杂志():.:.:.年 月.:.:.傅磊 林振衡 谢海鹤.基于改进卷积神经网络的肺结节识别算法.莆田学院学报():.齐永锋 裴晓旭 赵岩.基于多尺度卷积特征融合的癫痫脑电信号识别.光电子激光():.:.:.:.():.责任编辑 林振梅(上接第 页).().():.姜成毅 王超 郭新元 等.术后早期进食对兔胃肠吻合口瘘的形成及愈合时间的影响.吉林大学学报(医学版)():.王昱程 卓泽国 仲夏 等.食管鳞癌近端食管发生扩张时不同胸内吻合策略的回顾性队列研究/.中国胸心血管外科临床杂志:.:./.宋亚男 齐宇 张春敭 等.奈维与带蒂大网膜在食管癌颈部吻合口包埋中的应用.郑州大学学报(医学版)():.张卫国 李勉 单言歌 等.食管癌术后颈部吻合口瘘的危险因素分析.中国胸心血管外科临床杂志():.():.责任编辑:林 锋