人颅内脑电图定量分析与时序自动特征学习用于癫痫 seizure 预测
神经与进化计算
2019-04-09 v1 神经元与认知
摘要
目的：本研究旨在利用颅内脑电图（iEEG）数据开发一种高效可靠的癫痫 seizure 预测系统，尤其面向药物难治性癫痫患者。预测过程应以足够快的方式得出准确结果，以警示患者 impending seizures。方法：我们对人 iEEG 数据进行定量分析，以洞察人脑在癫痫发作前及发作间歇的行为。随后我们引入一种高效的预处理方法，用于缩减数据规模并将时序 iEEG 数据转换为类图像格式，可作为卷积神经网络（CNNs）的输入。进一步，我们提出一种使用协同多尺度 CNNs 对 iEEG 数据进行自动特征学习的 seizure 预测算法。结果：1）iEEG 通道包含互补信息，为保留准确预测癫痫 seizure 所需的空间信息，不建议排除单个通道。2）传统 PCA 并非 seizure 预测中可靠的 iEEG 数据降维方法。3）由于 iEEG 数据在患者间及同一患者随时间变化，手工设计的 iEEG 特征可能不适合可靠的 seizure 预测性能。4）seizure 预测结果表明，我们的算法以平均灵敏度 87.85% 和 AUC 分数 0.84 优于现有方法。结论：理解人脑在 seizure 发作前及远离发作时的行为有助于更好地设计癫痫 seizure 预测器。意义：准确的 seizure 预测算法可警告患者下一次 seizure 发作，从而使其避免危险活动。随后可施药中止 impending seizure 并最小化受伤风险。
引用
@article{arxiv.1904.03603,
title = {Human Intracranial EEG Quantitative Analysis and Automatic Feature Learning for Epileptic Seizure Prediction},
author = {Ramy Hussein and Mohamed Osama Ahmed and Rabab Ward and Z. Jane Wang and Levin Kuhlmann and Yi Guo},
journal= {arXiv preprint arXiv:1904.03603},
year = {2019}
}