基于深度时空特征学习的癫痫脑电检测研究

作     者：肖天添 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：赵艳娜

授予年度：2024年

学科分类：0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 100204[医学-神经病学] 10[医学] 

主      题：脑电图 自监督学习 注意力机制 癫痫发作检测 

摘      要：癫痫是一种常见的神经系统疾病,严重影响患者的生活质量和社会功能。癫痫发作由脑部神经元阵发性异常电活动导致的一种短暂的神经功能障碍,表现为意识、运动、感觉、情感、认知等方面的改变。癫痫发作的时间和时长具有不确定性,且发作类型和过程多种多样,发作过程都不相同。并可能导致患者身体、心理、社会和经济方面的问题。及时准确地检测出癫痫发作,能够辅助癫痫的诊断和治疗,提高患者的生活质量。 基于脑电图(Electroencephalograph,EEG)的癫痫发作自动检测技术主要包括从脑电信号中提取有效特征,并使用适当的分类器进行分类。传统方法通常依赖人工设计的特征,这些特征过度依赖人工经验和先验知识,且分类性能受数据质量和数量的限制。尽管基于深度学习的癫痫检测方法在特征提取和分类方面取得了进展,但仍存在问题。首先,现有方法无法完全捕获EEG信号的长时期依赖关系,导致提取的脑电特征描述能力不足。其次,现有方法通常需要带标记数据进行监督训练,标记癫痫数据耗时长且严重依赖标注者的主观经验,给算法的临床应用带来了挑战。为了解决以上问题,本文进行了如下研究: (1)针对数据标记不足和长时间依赖关系难以提取的问题,提出了基于注意力机制的自监督对比学习癫痫检测方法SLAM(Self-supervised Learning with Attention Mechanism)。该方法通过比较变换后的信号对的特征相似性,从未标记的脑电信号中学习表示特征,有效解决了数据标记不足的问题。采用注意力机制的Transformer网络对脑电信号进行位置编码,并通过多头自注意力并行处理来捕捉数据依赖关系,从而有效提取脑电数据中的长期依赖特征。在CHB-MIT数据集上的实验显示,SLAM在检测癫痫发作方面的性能超过了其他全监督网络,实现了97.07%的患者间准确率和74.67%的跨患者准确率。即使在样本数量有限的情况下,SLAM也展现出了良好的性能。 (2)针对前一项工作中的空间信息难以保留,同时跨患者检测的性能较差的问题,在前一项工作的基础上提出了一种基于自监督注意力LTformer的自动癫痫检测方法SALT(Self-supervised Attention LTformer)。将Transformer中的补丁嵌入和位置编码与长短时记忆网络(Long-Short Time Memory,LSTM)结合,使得该方法能够同时学习EEG信号的空间特征和时间信息。此外,采用了自监督学习策略,能够从大量的无标签EEG数据中获取表示。在公开的CHB-MIT数据库上进行了实验,患者间的实验中取得了98.87%的敏感性,99.15%的准确率。在跨患者的实验中达到了88.61%的敏感性,83.35%的准确率。 综上所述,本文针对脑电数据标记不足和时空依赖关系难以提取的问题,提出了两种基于自监督学习的癫痫检测方法,在公开的CHB-MIT数据集上进行了患者间实验和跨患者实验,实验结果表明,SLAM和SALT在癫痫检测任务上都取得了优异的效果,超过了大多数现有的方法。本文为癫痫检测提供了一种新的自监督学习的思路和方法,也为脑电信号的分析和应用提供了新的技术支持。