基于残差网络的癫痫脑电自动检测方法

doi:10.11772/j.issn.1001-9081.2024030273

摘要/Abstract

摘要：

针对现有癫痫检测算法分类模式单一的问题，提出一种基于残差网络（ResNet）的癫痫脑电（EEG）自动检测方法。首先，搭建具有3个残差块的一维ResNet提取EEG信号的内在特征；其次，利用全连接网络进行分类；最后，将所提方法在波恩大学癫痫EEG数据库上进行实验，研究了7种二分类、5种三分类和所有数据的五分类的EEG识别问题，所提方法的检测准确率分别为98.30%~99.46%、95.28%~97.45%和82.34%。实验结果表明，所提方法具有较好的普适性和分类准确率，更符合实际应用需求。

关键词: 癫痫检测, 卷积神经网络, 脑电信号, 残差网络, 自动检测

Abstract:

Aiming at the single classification mode of the existing epilepsy detection algorithms， an automatic detection method of epilepsy ElectroEncephaloGram （EEG） based on Residual Network （ResNet） was proposed. Firstly， a one-dimensional ResNet with three residual blocks was built to extract the intrinsic features of EEG signals. Secondly， the fully connected network was used for classification. Finally， the proposed method was tested on the epilepsy EEG database of University of Bonn with seven two-class， five three-class and five-class of all data EEG recognition problems studied， and the detection accuracies of the proposed method were 96.19%-99.32%， 95.28%-97.45%， and 82.34%， respectively. Experimental results show that the proposed method has better universality and classification accuracy， is more suitable for the practical application requirements.

Key words: epilepsy detection, Convolutional Neural Network (CNN), ElectroEncephaloGram (EEG) signal, Residual Network (ResNet), automatic detection

中图分类号:

TP391.4

许裕纯, 许建军. 基于残差网络的癫痫脑电自动检测方法[J]. 计算机应用, 0, (): 370-374.

Yuchun XU, Jianjun XU. Automatic detection method of epileptic EEG based on residual network[J]. Journal of Computer Applications, 0, (): 370-374.

图/表 10

参考文献 28

1	王玉，周卫东，李淑芳，等. 脑电信号的分形截距特征分析及在癫痫检测中的应用［J］. 中国生物医学工程学报， 2011， 30（4）：562-566.
2	CASSON A J， YATES D C， SMITH S J M， et al. Wearable electroencephalography ［J］. IEEE Transactions on Engineering in Medicine and Biology Magazine， 2010， 29（3）：44-56.
3	ABDULWAHHAB H A， ABDULAAL A H， AL-GHRAIRI A H T， et al. Detection of epileptic seizure using EEG signals analysis based on deep learning techniques ［J］. Chaos， Solitons and Fractals， 2024， 181： No.114700.
4	张瑞，宋江玲，胡文凤. 癫痫脑电的特征提取方法综述［J］. 西北大学学报（自然科学版）， 2016， 46（6）：781-788.
5	RASHED-AL-MAHFUZ M， MONI M A， UDDIN S， et al. A deep convolutional neural network method to detect seizures and characteristic frequencies using epileptic ElectroEncephaloGram （EEG） data ［J］. IEEE Journal of Translational Engineering in Health and Medicine， 2021， 9： No.2000112.
6	IŞIK H， SEZER E. Diagnosis of epilepsy from electroencephalography signals using multilayer perceptron and Elman artificial neural networks and wavelet transform ［J］. Journal of Medical Systems， 2012， 36：1-13
7	NICOLAOU N， GEORGIOU J. Detection of epileptic electroencephalogram based on Permutation Entropy and Support Vector Machines ［J］. Expert System with Applications， 2012， 39（1）：202-209.
8	ORHAN U， HEKIM M， OZER M. EEG signals classification using the K-means clustering and a multilayer perceptron neural network model［J］. Expert System with Applications， 2011， 38（10）：13475-13481.
9	SWAMI P， GANDHI T K， PANIGRAHI B K， et al. A novel robust diagnostic model to detect seizures in electroencephalography ［J］. Expert Systems with Applications， 2016， 56： 116-130.
10	ACHARYA U R， OH S L， HAGIWARA Y， et al. Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals ［J］. Computers in Biology and Medicine， 2018， 100：270-278.
11	SAN-SEGUNDO R， GIL-MARTÍN M， D'HARO-ENRIQUEZ L F， et al. Classification of epileptic EEG recordings using signal transforms and convolutional neural networks ［J］. Computers in Biology and Medicine， 2019， 109：148-158.
12	LIU J， WOODSON B. Deep learning classification for epilepsy detection using a single channel electroencephalography ［C］// Proceedings of the 3rd International Conference on Deep Learning Technologies. New York： ACM， 2019：23-26.
13	潘奕竹，沈娜. 离散差分模块在癫痫脑电分类中的应用［J］. 电子测量技术， 2021， 44（1）：70-75.
14	王振宇，向泽锐，支锦亦. 离散小波变换和自编码器耦合的脑电信号异常检测方法［J］. 北京邮电大学学报， 2023， 47（2）：66-73.
15	ARAVIND BRITTO K R， SARAVANAN S， MATHIVANAN S K， et al. A multi-dimensional hybrid CNN-BiLSTM framework for epileptic seizure detection using electroencephalogram signal scrutiny ［J］. Systems and Soft Computing， 2023， 5： No.200062.
16	李彦冬，郝宗波，雷航. 卷积神经网络研究综述［J］. 计算机应用， 2016， 36（9）：2508-2515.
17	费洪磊，袁琦，郑玉叶. 基于深度学习的癫痫脑电不平衡分类方法［J］. 仪器仪表学报， 2021， 42（3）：231-240.
18	郭玥秀，杨伟，刘琦，等. 残差网络研究综述［J］. 计算机应用研究， 2020， 37（5）：1292-1297.
19	ANDRZEJAK R G， LEHNERTZ K， MORMANN F， et al. Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity： dependence on recording region and brain state ［J］. Physical Review. E， Statistical， Nonlinear， and Soft Matter Physics， 2001， 64（6）： No.061907.
20	SAMIEE K， KOVÁCS P， GABBOUJ M. Epileptic seizure classification of EEG time-series using rational discrete short-time Fourier transform ［J］. IEEE Transactions on Bio-Medical Engineering， 2015， 62（2）： 541-552.
21	蒋云良，翁江玮，申情，等. 基于增强深度特征和TSK模糊分类器的癫痫脑电信号识别［J］. 控制与决策， 2023， 38（1）： 171-180.
22	KAYA Y， UYAR M， TEKIN R， et al. 1D-local binary pattern based feature extraction for classification of epileptic EEG signals ［J］. Applied Mathematics and Computation， 2014， 243：209-219.
23	KUMAR Y， DEWAL M L， ANAND R S. Epileptic seizure detection using DWT based fuzzy approximate entropy and support vector machine ［J］. Neurocomputing， 2014， 133：271-279.
24	RIAZ F， HASSAN A， REHMAN S， et al. EMD-based temporal and spectral features for the classification of EEG signals using supervised learning ［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2016， 24（1）：28-35.
25	TÜRK Ö， ÖZERDEM S M. Epilepsy detection by using scalogram based convolutional neural network from EEG signals ［J］. Brain Sciences， 2019， 9（5）： No.115.
26	KHAN P， KHAN Y， KUMAR S， et al. HVD-LSTM based recognition of epileptic seizures and normal human activity ［J］. Computers in Biology and Medicine， 2021， 136： No.104684.
27	MAO W L， FATHURRAHMAN H I K， LEE Y， et al. EEG dataset classification using CNN method ［J］. Journal of Physics： Conference Series， 2020， 1456： No.012017.
28	GUHA A， GHOSH S， ROY A， et al. Epileptic seizure recognition using deep neural network ［C］// Emerging Technology in Modelling and Graphics： Proceedings of IEM Graph 2018， AISC 937. Singapore： Springer， 2020： 21-28.

数据集类别	记录位置	身体状况	状态
A	大脑皮层	健康人	清醒状态下，眼睛睁开
B	大脑皮层	健康人	清醒状态下，眼睛闭上
C	侧半球海马结构	癫痫患者	患者无癫痫发作间期
D	癫痫致病期	癫痫患者	患者无癫痫发作间期
E	癫痫致病期	癫痫患者	患者发作期

数据集类别	记录位置	身体状况	状态
A	大脑皮层	健康人	清醒状态下，眼睛睁开
B	大脑皮层	健康人	清醒状态下，眼睛闭上
C	侧半球海马结构	癫痫患者	患者无癫痫发作间期
D	癫痫致病期	癫痫患者	患者无癫痫发作间期
E	癫痫致病期	癫痫患者	患者发作期

网络模块	网络层类型	输出神经元数	核大小	Dropout
卷积块1	Conv-1	176×64	3	—
	Conv-2	174×64	3	—
	ReLU	174×64	—	—
	BN	—	—	—
	Maxpool	58×64	3	—
卷积块2	Conv-1	56×128	3	—
	Conv-2	56×128	3	—
	ReLU	56×128	—	—
	BN	—	—	—
	Maxpool	19×128	—	—
卷积块3	Conv-1	17×512	3	—
	Conv-2	17×512	3	—
	ReLU	17×512	—	—
	BN	—	—	—
	Maxpool	6×512	3	—
扁平化层	Dropout	3 072	—	0.15
扁平化层	Flatten	3 072	—	—
全连接层1	Dense	1 024	—	—
	ReLU	—	—	—
	Dropout	—	—	0.40
全连接层2	Dense	128	—	—
	ReLU	—	—	—
	Dropout	—	—	0.50
全连接层3	Dense	16	—	—
全连接层3	Softmax	—	—	—

网络模块	网络层类型	输出神经元数	核大小	Dropout
卷积块1	Conv-1	176×64	3	—
	Conv-2	174×64	3	—
	ReLU	174×64	—	—
	BN	—	—	—
	Maxpool	58×64	3	—
卷积块2	Conv-1	56×128	3	—
	Conv-2	56×128	3	—
	ReLU	56×128	—	—
	BN	—	—	—
	Maxpool	19×128	—	—
卷积块3	Conv-1	17×512	3	—
	Conv-2	17×512	3	—
	ReLU	17×512	—	—
	BN	—	—	—
	Maxpool	6×512	3	—
扁平化层	Dropout	3 072	—	0.15
扁平化层	Flatten	3 072	—	—
全连接层1	Dense	1 024	—	—
	ReLU	—	—	—
	Dropout	—	—	0.40
全连接层2	Dense	128	—	—
	ReLU	—	—	—
	Dropout	—	—	0.50
全连接层3	Dense	16	—	—
全连接层3	Softmax	—	—	—

分类	组合	acc	pre	rec	F1值
二分类	A vs. E	99.46	99.22	99.20	99.56
	B vs. E	99.26	98.57	98.69	98.91
	C vs. E	98.89	98.21	97.83	97.82
	D vs. E	98.30	98.04	97.39	97.61
	AB vs. E	99.21	98.86	99.01	99.39
	CD vs. E	98.35	98.84	97.68	97.82
	ABCD vs. E	98.49	98.21	98.38	98.26
三分类	A vs. C vs. E	96.22	96.59	96.52	96.53
	A vs. D vs. E	95.28	95.48	95.28	96.37
	B vs. C vs. E	97.45	97.54	97.45	98.41
	B vs. D vs. E	97.44	96.21	97.38	97.43
	AB vs.CD vs. E	95.76	96.32	95.77	96.27
五分类	A vs. B vs.C vs. D vs. E	82.34	82.70	82.34	82.31