基于卷积神经网络的颅内与头皮脑电图数据广义癫痫预测
计算机视觉与模式识别
2017-12-07 v2
摘要
癫痫预测作为为改善患有耐药癫痫和强直性癫痫发作患者的生活而进行的最具挑战性的预测数据分析工作之一，已引起越来越多的关注。许多杰出工作报道了在提供合理的间接（预警系统）或直接（交互式神经刺激）控制难治性癫痫发作方面的良好结果，其中一些取得了高性能。然而，许多工作严重依赖手工特征提取和/或针对每位患者精心定制的特征工程，以在特定数据集上实现非常高的灵敏度和低误预测率。如果使用不同的数据集，这限制了其方法的益处。在本文中，我们将卷积神经网络（CNNs）应用于不同的颅内和头皮脑电图（EEG）数据集，并提出了一种广义的回顾性与患者特异性癫痫预测方法。我们对30秒EEG窗口（50%重叠）使用短时傅里叶变换（STFT）来提取频域和时域信息。然后在全频率范围内对STFT分量应用标准化步骤，以防止高频特征受低频特征影响。使用卷积神经网络模型同时进行特征提取和分类，以分离发作前期段与发作间期段。所提方法在弗莱堡医院颅内EEG（iEEG）数据集、波士顿儿童医院的MIT头皮EEG（sEEG）数据集以及Kaggle美国癫痫学会癫痫预测挑战赛数据集上分别实现了81.4%、81.2%、82.3%的灵敏度和0.06/h、0.16/h、0.22/h的误预测率（FPR）。我们的预测方法在所有三个数据集中的大多数患者上也统计上优于非特异的随机预测器。
引用
@article{arxiv.1707.01976,
title = {A Generalised Seizure Prediction with Convolutional Neural Networks for Intracranial and Scalp Electroencephalogram Data Analysis},
author = {Nhan Duy Truong and Anh Duy Nguyen and Levin Kuhlmann and Mohammad Reza Bonyadi and Jiawei Yang and Omid Kavehei},
journal= {arXiv preprint arXiv:1707.01976},
year = {2017}
}