一维卷积神经网络的自编码癫痫发作异常检测模型

An autoencoder model based on one-dimensional neural network for epileptic EEG anomaly detection

摘要

目的 将一维卷积神经网络（1DCNN） 作为自编码模型的特征提取网络，利用1DCNN对头皮脑电信号（EEG）局部特征的感知能力来提高自编码模型（AE）在低维特征空间的表达能力，提出一种简单高效的癫痫异常检测模型。 方法 癫痫发作后会出现标志性的EEG波形变化，通过1DCNN的局部特征提取能力，捕捉正常信号的局部信息；利用正常数据训练自编码器，学习正常EEG数据在低维特征空间的表达，作为异常数据的癫痫EEG数据会脱离正常数据的低维特征空间，从而自编码模型无法有效地实现癫痫异常信号的重构；首先将输入和输出的差值作为异常分数值，然后通过ROC曲线的最优平衡点确定阈值，超过阈值的EEG信号被诊断为癫痫发作数据。利用公开数据集CHB-MIT脑电数据集和TUH脑电数据集，评估本文所提出的1DCNN-AE癫痫检测模型。 结果 从AUC值和癫痫事件检测两个任务来看，1DCNN-AE模型在患者平均水平下的AUC值分别达到了CHB-MIT的0.890和TUH的0.686，癫痫检测率达到了0.974和0.893，其结果优于最新癫痫异常检测模型LSTM-VAE和模型GRU-VAE。对于模型参数量而言，与LSTM-VAE的47.4M和GRU-VAE的36.9M等模型参数量相比，1DCNN模型的参数量Params达到了58.5M，处于同一个量级；但1DCNN-AE模型计算量FLOPs为0.377G，远远小于LSTM-VAE的21.6G和GRU-VAE的16.2G。 结论 1DCNN的自编码模型能有效地实现癫痫发作异常检测。

Abstract

Objective We propose an autoencoder model based on a one-dimensional convolutional neural network (1DCNN) as the feature extraction network for efficient detection of epileptic EEG anomalies. Methods The local information of normal EEG signals was captured by utilizing the local feature extraction ability of 1DCNN for training of an autoencoder to learn the expression of normal EEG data in low dimensional feature space. With the difference between the input and output as the anomaly score, the threshold was determined by the optimal equilibrium point of the ROC curve, and the EEG signals exceeding the threshold were diagnosed as the seizure data. The performance of the 1DCNN-AE epilepsy detection model was evaluated using the publicly available CHB-MIT scalp EEG dataset and TUH scalp EEG dataset. Results The AUC of the 1DCNN-AE model reached 0.890 of CHB-MIT and 0.686 of TUH under the average level of patients, and the epilepsy detection rate reached 0.974 and 0.893, and these results were better than the latest epilepsy anomaly detection models LSTM-VAE and GRU-VAE. The 1DCNN model had a parameter quantity of 58.5M, which was at the same level with LSTM-VAE (47.4 M) and GRU-VAE (36.9 M) but with much smaller FLOPs (0.377 G) than LSTM-VAE (21.6 G) and GRU-VAE (16.2 G). Conclusion The autoencoder model based one-dimensional convolutional neural network can effectively detect abnormal EEG signals in epileptic seizure.

Graphical abstract

关键词

自编码器 / 深度学习 / 癫痫检测 / 异常检测 / 一维卷积神经网络

Key words

autoencoder / deep learning / seizure detection / anomaly detection / one-dimensional convolutional neural network

癫痫是一种由神经元超同步放电造成的中枢神经系统疾病，发作时会造成患者丧失意识，并伴随肌肉抽搐^{［1， 2］}。全世界每年有65万人遭受癫痫疾病影响^［3］。癫痫对患者所带来的伤害包括由于意识丧失后的意外事件和来自社会关系的歧视^［4］。专家需要通过观察患者长时间的头皮脑电信号（EEG）来确定治疗方案。这意味着消耗大量的时间成本以及人力资源，同时癫痫发作诊断的结果常受到医生主观因素的影响。计算机辅助诊断癫痫系统可以减少医生的工作负担，降低主观因素的影响，提高癫痫诊断效率。

癫痫检测算法的目标是区分大脑两种状态下的EEG数据：正常状态和癫痫状态。研究人员已经提出了不同的方法来实现癫痫检测，主要分为机器学习方法和深度学习方法。机器学习方法又分为时域分析、频域分析、时频域分析和非线性动力学分析，其中时频分析和非线性动力学较为常用^［5］。基于机器学习的癫痫检测算法需要先人工特征提取与选择，再设计分类器，从而实现两种状态脑电的分类。例如：Anand等^［6］对EEG进行离散小波变换（DWT），分别从小波系数的细节项和近似项提取特征，并训练一个人工神经网络（ANN）作为分类器。Sammer等^［7］选择对EEG数据进行短时傅里叶变换（STFT），从Delta波段中提取特征，最终通过随机森林实现分类。Riaz等^［8］对EEG进行经验模态分解（EMD），从固有模态函数（IMFs）中提取特征，最终通过支持向量机实现分类。相对于正常状态下的脑电信号，癫痫发作是一种高度非线性现象。人们采用非线性动力学方法描述癫痫信号特征，比如：熵^{［9， 10］}、Lyapunov指数^{［11， 12］}、分形维数^［13］、关联维数^［14］等。基于机器学习的癫痫发作检测算法在实际临床应用中取得一定成功，但因受限于人工特征提取与选择局限性，这类算法的泛化能力差，难以在临床应用进行有效地拓展。深度学习能够实现EEG信号特征的自动提取，直接完成分类器端到端的训练，对于人工特征提取有着明显的优势。Sateesh等^［15］将卷积神经网络（CNN）作为初始EEG信号的特征提取网络，再结合模糊C均值聚类算法，实现大脑两种状态数据的分类。Tian等^［16］先对EEG信号进行快速傅里叶变换（FTT）和小波包变换（WPT），获得初始特征；再用卷积神经网络进一步对初始特征提取特征；最后通过多视角的Takagi-Sugeno-Kang模糊系统，实现癫痫检测。Liao等^［17］将EEG数据进行斯托克韦尔变换，得到时频输入；采用Wasserstein生成对抗网络作为特征学习模型，并通过双向长短时记忆网络（Bi-LSTM）实现进一步的特征提取，最终输入全连接层实现癫痫发作预测。深度学习算法需要大量的数据来支撑网络模型的训练与测试。对于基于深度学习的癫痫发作检测算法而言，网络模型的训练存在两个主要问题：（1）癫痫状态下的数据远远少于正常状态，数据类型严重失衡；（2）癫痫发作的标注非常耗时且容易发生错误。这些问题导致深度学习方法性能发挥受到极大限制。

异常分析模型常被用来实现时间序列的异常事件检测^［18-21］。Fan等^［19］将时间卷积神经网络和变分自编码模型结合，用于实现正常时间序列事件的特征学习，目的是解决先验知识的缺失以及计算资源有限的问题。Zhu等^［21］将卷积神经网络作为特征提取网络，结合position embedding，实现序列的局部特征提取；同时应用注意力机制获得全局特征，将局部特征和全局特征结合，构建正常事件的特征空间。基于重构的异常分析模型学习正常事件的特征分布，利用异常数据特征分布的差异实现异常事件的检测。基于重构方法的异常检测方法在训练时只使用正常事件数据，这样能够有效解决异常事件和正常事件之间数据极度不平衡的问题。

为了克服基于深度学习的癫痫发作检测算法存在的网络训练问题，人们开始考虑数据异常分析方法去实现癫痫发作检测。该方法在模型训练阶段仅使用正常状态数据，在模型测试阶段加入癫痫发作数据，即将癫痫发作数据作为异常数据。在异常检测过程中，自编码器（AE）学习正常数据的低维特征分布，并从特征空间中重构原始输入的正常数据。因异常数据（癫痫）在特征空间上存在分布差异，无法从特征空间中重构原始输入信号，通过异常分数分析，实现癫痫发作检测。正常数据在低维空间下的特征表达是区分正常与异常数据的关键环节。Emami等^［22］提出用基于线性表达的自编码模型，学习正常数据的低维特征空间表达。线性模型不能表达EEG数据的非线性特征，模型无法很好区分两种状态下的数据。You等^［23］通过短时傅里叶变换将EEG数据变换为功率谱图，利用卷积神经网络来提取功率谱图的结构化特征，再结合生成对抗网络对抗式训练的方式，学习正常数据在低维特征空间的表达。频谱图上的频率信息受限于时间窗口的长度（原文选择了32 s的时间窗口）。该方法在测试阶段需要对输入的测试信号进行反向求解低维特征空间的表达，导致不能高效地实现癫痫检测。You等^［24］在2022年提出将循环神经网络（RNN）与变分自编码（VAE）模型结合，提出了模型LSTM-VAE和模型GRU-VAE，目的是利用循环神经网络能够有效地处理时间序列上下文信息的特点。变分自编码器在生成特征向量的过程中引入了误差变量，会对数据的还原的过程造成影响。不同方法下，正常数据在低维特征空间中的特征表达所包含的语义信息各不相同，而具有辨别性的语义信息能够提高模型对异常数据的辨别能力。在癫痫发作时，脑电的波形会出现标志性变化^［25］，例如：尖波、棘波、棘慢复合波等。脑电信号的局部特征变化是区分脑电信号两种状态的关键信息。

综合上述信息，本文将一维卷积神经网络和自编码模型结合，提出1DCNN-AE模型。利用一维卷积神经网络对一维信号局部特征的感知能力，提取正常脑电信号的局部结构特征，构建正常脑电信号的结构特征空间。结构语义特征具有明确的指向性，能够帮助模型更好地辨别正常范围外的异常EEG数据。相较于变分自编码器，自编码器直接将特征向量还原初始输入信号，减少还原过程中出现的不确定性误差。在公开的波士顿儿童医院癫痫数据集（CHB-MIT）和天普数据集（TUH）上验证1DCNN-AE模型可以有效提升检测性能，并进一步提高了癫痫的检测效率。

1 材料和方法

1.1 数据集

1.1.1 CHB-MIT数据集

公开数据集CHB-MIT来自波士顿儿童医院，该数据集是目前研究者们常用于癫痫检测和预测任务的多通道脑电数据集^［4］。了解到CHB-MIT数据从23例癫痫患者身上采集共计24例脑电数据（其中1名患者在1.5年后进行了第2次脑电采集），每一例脑电数据包含了从该患者身上记录的多次脑电记录，并由专家标注了每一次癫痫发作和结束的时间。24例脑电数据按照顺序命名为chb01-chb24，23例患者的年龄分布在1.5~22岁，其中5例患者为男性，17例患者为女性。

Zhao等^［26］将癫痫发作的时长作为筛选的条件，发作时长较长的记录作为分析数据。考虑到实际情况中癫痫脑电的稳定性，需要考虑：足够长的发作时间；发作时长差异过大表明该患者的状态很不稳定，数据会受到过多不可控因素的影响。我们统计每一例数据中每一次癫痫发作时长，计算出总发作时长和发作时长的方差。以总时长（>200 s）和方差（<50 s）作为筛选条件，从24份脑电记录中选择了18份记录（chb01， chb03， chb04， chb05， chb07， chb08， chb09， chb10， chb12， chb13， chb17， chb18， chb19， chb20， chb21， chb22， chb23， chb24）。数据集的采样率为256HZ，使用的通道数为22~38。为了统一每份脑电记录的通道名称和通道数，本文从中选择了18个通道，分别是：FP1-F7，F7-T7，P7-O1，FP1-F3，F3-C3，C3-P3，P3-O1，FZ-CZ，CZ-PZ，FP2-F4，F4-C4，C4-P4，P4-O2，FP2-F8，F8-T8，T8-P8，P8-O2。

1.1.2 TUH数据集

公开数据集TUH收集自天普大学，属于多通道脑电数据。该数据集的采样频率主要是250 Hz和256 Hz，我们筛选出和CHB-MIT数据集采样率一致的患者数据。接着进行数据的稳定性筛选，和CHB-MIT一样，我们筛选得到患者ID分别为：10591、10020、11077、8444和11580共5例数据，每一例数据包含该患者的多次脑电记录。本文对多通道的脑电记录进行通道选择，18个通道分别是：FP1，FP2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5，T6，FZ，PZ。

1.2 预处理

大脑的脑电按照频率范围可以分为\alpha波、\beta波、\theta波、\mathrm{\delta }波和\mathrm{\gamma }波，癫痫脑电活动频率成分主要集中在\mathrm{1.5}~\mathrm{30}\mathrm{H}\mathrm{z}范围^［27］。为了减少信号中不相关成分，对原始的脑电信号进行\mathrm{0.5}~\mathrm{45}\mathrm{H}\mathrm{z}的巴特沃夫滤波；滤波后的信号归一化到［0，1］。本文使用2s时间窗滑动分割通道数为18的脑电信号，采样率为256HZ，相邻样本之间的没有重叠，每个样本大小为\mathrm{512}\times \mathrm{18}。

1.3 基于1DCNN网络的癫痫异常检测模型

本研究算法流程分为训练和测试两个阶段（图1）。在训练阶段，只有患者正常状态下的EEG数据被用于训练自编码器。编码器对输入的多的通道EEG片段进行特征提取，压缩至固定维度大小的特征向量；解码器通过反卷积操作将特征向量还原，目标是重建与输入一致的输出。自编码模型通过对输入的正常EEG数据的重构，实现正常EEG数据的特征学习。在测试阶段，训练好的自编码模型被用于正常数据和异常数据的重构。由于两种状态下的数据存在特征空间分布的差异，自编码模型能够对正常数据实现重构，对异常数据则会出现重构失败。输入和输出的绝对误差作为每个样本的异常分数，利用异常分数的分布差异性，实现正常EEG数据和异常EEG数据的区分。

1.3.1 自编码器和变分自编码器

自编码器是一种自监督的特征学习模型，分为编码器和解码器两部分。如公式1所示：

\mathrm{z}=f_{encoder}\left(x\right)（1）

编码器对输入的EEG数据提取特征，输出降维后的特征向量\mathrm{z}；解码器对输入的特征向量进行还原，如公式2所示：

\stackrel{̑}{x}=f_{decoder}\left(z\right)（2）

公式3为自编码器的损失函数：

Los{s}_{AE}=\left|\stackrel{̑}{x}-x\right|（3）

在损失函数的约束下，随着解码器的输出\stackrel{̑}{x}不断趋近于初始输入数据x，编码器输出的特征向量\mathrm{z}不断趋近于数据在低维特征空间中真实的特征表达。基于重构的异常检测方法利用自编码模型的自监督特征学习方式，结合不同类型的特征学习网络，学习正常数据在低维特征空间的特征分布。由于异常数据和正常数据存在分布差异，编码器输出的特征向量会脱离正常数据的特征分布，导致解码器对输入的特征向量还原失败。

本研究将1DCNN作为特征学习网络，结合自编码模型，提出了模型1DCNN-AE，用于癫痫异常检测研究。在最新的癫痫异常检测文献^［24］中，选择了变分自编码模型作为特征学习模型。变分自编码器是一种基于贝叶斯推理的生成式模型，由Kingma等^［28］在2014年提出，应用于数据的生成。与自编码模型不同，变分自编码模型通过概率分布p(z)来描述数据在低维特征空间的特征表达。如下公式表达：

p\left(z\right)=p\left(z|x\right)p\left(x\right)（4）

公式4表明p(z)的计算取决于后验概率分布p\left(z|x\right)，但后验概率分布的计算过程十分复杂。Kingma提出通过编码器学习另一个概率分布p_{\theta }(z)来近似p(z)。基于假设：p(\mathrm{z})~N(\mu ,\sigma )，可以推导出p_{\theta }(z)~N({\mu }_{\theta },{\sigma }_{\theta })，因此编码器输出概率分布p_{\theta }(z)的均值{\mu }_{\theta }和方差{\sigma }_{\theta }。特征向量\mathrm{z}由概率分布以重参数的方式获得，如公式5所示，其中\mathrm{\epsilon }~N(\mathrm{0,1})。

\mathrm{z}={\mu }_{\theta }+{\sigma }_{\theta }\bullet \epsilon（5）

解码器将特征向量\mathrm{z}还原，如公式6所示。

p\left(x\right)=p_{\theta }\left(z\right)q_{\phi }\left(x|z\right)（6）

变分自编码模型的损失函数如公式7所示，第一部分代表输入和输出的重构损失，第二部分代表p_{\theta }(z)和p(z)的KL散度。

Los{s}_{VAE}=E_{q_{\phi }\left(x|z\right)}\left[\mathrm{l}\mathrm{o}\mathrm{g}{q}_{\phi }\left(x|z\right)\right]-KL\left(p_{\theta }\left(z\right)|p\left(z\right)\right)（7）

与自编码模型一样，变分自编码模型作为自监督特征学习模型，也被应用于异常检测模型。为了验证1DCNN网络的有效性，本研究将1DCNN网络结合变分自编码模型，得到模型1DCNN-VAE，和模型1DCNN-AE应用于癫痫异常检测任务。

1.3.2 1DCNN-AE和1DCNN-VAE模型网络结构

一维卷积对多通道信号特征的提取，预定义的卷积核沿着多通道EEG进行滑动卷积，卷积核与目标区域相乘，提取信号的局部特征；相乘后的结果相加，整合不同通道间的局部特征。经过多次的一维卷积操作，特征不断被提炼压缩，最终输出的特征向量包含较强的语义信息（图2）。

1DCNN-AE和1DCNN-VAE模型的编码器和解码器采用相同的网络结构。在1DCNN-AE模型中，编码器的输出连接全连接层，得到大小为\mathrm{2048}\times \mathrm{1}的特征向量\mathrm{z}，随后特征向量\mathrm{z}直接输入解码器。在1DCNN-VAE模型中，编码器的输出分别连接两个全连接层，输出代表均值\mu和方差\sigma的特征向量；引入标准化的高斯随机噪声\epsilon，与\sigma相乘后与\mu相加得到特征向量z。特征向量z先输入到全连接层，再输入解码器（图3）。

编码器核解码器的具体网络结构如表1所示，编码器包含13层一维卷积层，每一层卷积层后衔接批归一化层和Relu激活层；编码器的最后一层为最大池化层，输出大小为\mathrm{2048}\times \mathrm{1}的特征向量。解码器包含13层一维反卷积层，每一层反卷积层后衔接批归一化层和Relu激活层。解码器最后一层反卷积层输出与输入大小一致的多通道EEG片段。

模型的训练和测试都是基于单受试者的范式。模型训练时使用Adam作为优化器，学习率设置为0.001，Batchsize设置为128，总共迭代200轮次。模型的训练和测试在Pytorch平台以及显卡Geforce RTX3090 GPU下运行。

1.3.3 癫痫异常检测任务

1.3.3.1　癫痫样本检测

在测试阶段，正常EEG片段和癫痫发作EEG 片段作为测试样本，输入训练好的模型中。模型对输入的每个样本进行重构，并按照公式8计算每个样本的异常分数。

Anomaly\_score=\left|\stackrel{̑}{x}-x\right|（8）

因为异常样本和正常样本存在特征分布的差异，异常样本的重构损失要高于正常样本。对所有测试样本的异常分数计算AUC值，用于衡量模型对两种状态下EEG数据的区分能力。当AUC值趋近1，说明模型具备很好地区分两种数据的能力；当AUC值趋近0.5，说明模型不能很好地区分两种数据。

1.3.3.2　癫痫事件检测

本文模拟现实中的癫痫检测任务。考虑到噪声的影响，本文将时间上连续的5个信号样本定义为一个事件。在模拟阶段，当事件中连续5个样本超过阈值，该事件被诊断为癫痫事件并发出警报。若报警成功则中断检测，并记录为成功检测到一次癫痫发作；若报警失败则继续检测。癫痫检测率（SDR）代表成功检测到的癫痫发作次数占总发作次数的比例；误警率（FAR）代表每小时内错误报警的次数。

1.3.3.3　模型对比

文献^［23］引用经典无监督模型GAN^［29］来构建异常检测模型AnoGAN，该方法存在两个问题：⑴传统的GAN模型在训练的时候会出现梯度消失的问题^［29］，主要的原因是JS散度的计算结果在两个分布的重叠很少的时候会是一个常数，求导后的梯度为0；其次当生成器\mathrm{G}和判别器\mathrm{D}难以同时收敛的时候还会造成测试过程的不稳定^［30］。⑵该方法的测试过程如图4所示，输入的测试样本通过梯度反向传播不断迭代更新输入生成器的特征向量。由于模型参数已经固定，从特征向量到生成样本的过程不可逆，因此需要花费大量的时间迭代计算样本在特征空间中的最佳映射位置^{［31， 32］}。从模型测试过程的稳定和效率出发，如图1所示，文献中方法的测试过程更为紧凑，能够保证检测过程中的稳定和效率。因此将文献^［24］中提出的模型LSTM-VAE和模型GRU-VAE作为实验中的对比模型。

2 结果

表2展示了4种方法在每个受试者脑电数据上获得的AUC结果。1DCNN-AE和1DCNN-VAE模型在所有受试者的脑电数据结果都好于LSTM-VAE模型和GRU-VAE模型。特别是，chb05、chb08、chb17、chb19、chb21和chb22，1DCNN-AE和1DCNN-VAE模型的结果明显优于LSTM-VAE模型和GRU-VAE模型。来自TUH数据集的5例数据的结果不如CHB-MIT数据集，但也可明显得到1DCNN-AE和1DCNN-VAE模型的结果好于LSTM-VA E模型和GRU-VAE模型的结论。从表2可以看到1DCNN-AE和1DCNN-VAE模型的结果没有明显差距，自编码结构和变分自编码结构对结果未产生明显的影响。这说明了1DCNN作为特征提取网络的表现要优于RNN模型。

在癫痫检测任务中，SDR和FAR用来评价模型的实际检测效果，结果如表3所示。1DCNN-VAE和1DCNN-AE模型在chb05、chb09、chb17和chb22上获得了100%的癫痫检测率以及更低的误警率。1DCNN-AE在chb04、chb13、chb20和chb21的癫痫检测率要明显高于其他方法。从表3可以看到，1DCNN-AE模型的结果在CHB-MIT数据集和TUH数据集都获得最好表现，并表现出更好的检测稳定性，而1DCNN-VAE模型的表现稍差于1DCNN-AE模型。

本文将chb05用于说明癫痫事件定义的依据。我们改变用于定义癫痫事件的样本数，并计算对应的误警率（图5）。

误警率会随着癫痫样本的增加不断降低；当定义癫痫事件的样本数量达到5时，误警率降到0。这样定义癫痫事件的方式符合临床实际情况，同时可以减少噪声的影响，提高癫痫事件检测的稳定性。

模型参数主要是为了评估模型的实际应用条件，比较的参数包括参数量Params和计算量FLOPs。Params可以反映模型的物理内存需求；FLOPs可以反映模型的计算速度。从表4中可以看到模型1DCNN-AE的FLOPs为0.377G，远远小于LSTM-VAE的21.60G和GRU-VAE的16.20G，这说明1DCNN-AE的计算效率要远远快于LSTM-VAE和GRU-VAE。1DCNN-AE的Params为58.5M，略高于GRU-VAE的36.9M，但并没有明显的差距。综合来看，模型1DCNN-AE更符合实际应用要求。

3 讨论

本文将一维卷积神经网络和自编码模型结合，提出癫痫异常检测1DCNN-AE模型。在训练阶段，只有正常脑电信号输入到自编码模型。编码器利用一维卷积对局部特征的感知能力，对输入的脑电信号进行特征提取，构建正常脑电信号的特征空间。解码器将特征向量还原，实现输入脑电信号的重构。训练后的自编码模型理论上只能实现正常脑电信号的重构，对癫痫脑电信号无法正常重构。

本文对比了一维卷积网络1DCNN模型和循环神经网络RNN模型在癫痫异常检测中的表现。人们已经在RNN模型的基础上提出不同方法来实现癫痫检测^［33-35］，You等^［24］提出的癫痫异常检测模型LSTM-VAE和GRU-VAE模型基于循环神经网络RNN，针对的是脑电信号的时序特征的提取，利用时序点前后的上下文信息来构建特征空间；而1DCNN模型关注的是信号的局部结构特征，利用波形的结构信息来构建特征空间。本文提出的1DCNN-AE模型分别在CHB-MIT数据集和TUH数据集上进行验证，得到患者平均水平下的AUC值为0.974（CHB-MIT）和0.686（TUH）。实验结果显示，1DCNN在AUC值的表现要好于RNN。在模拟癫痫发作检测应用中，1DCNN的表现同样优于RNN，并表现出更好的鲁棒性。虽然时序信息是脑电信号重要的组成部分，但脑电信号的局部特征信息对于信号的重构而言更为重要。临床先验信息表明，脑电的波形特征本身就是标注的依据之一，局部的特征信息具有更为明确的语义信息。

在现实的应用中，模型参数Params以及计算量FLOPs也是需要考虑的因素。本研究显示，不同方法的FLOPs处于同一个量级，但1DCNN的FLOPs要远远小于RNN。这意味着1DCNN处理一个样本的速度要远远快于LSTM和GRU。无论是模型的训练还是测试，都能够节省更多的时间成本。LSTM模型训练的时间成本很高，并且还会有梯度消失的风险。GRU在这两方面有一定的改善，但GRU对比LSTM少了一个门控单位，因此在处理更为复杂的时间序列时，表现不如LSTM^［36］。

本研究依旧存在需要改进的地方。注意到chb12、chb13和00011077的AUC值比较接近0.5，这说明模型并不能很好地区分两种状态下的脑电信号。其中的原因可能是两名患者的癫痫发作的频率过高，明显高于其他患者，导致患者的正常状态并不稳定，提高了正常状态下的脑电数据的复杂度。这同时说明了我们的方法仍然欠缺处理更为复杂情况的能力。算法仅在公开数据集上进行验证，没有考虑采集临床数据来对模型的泛化能力进行评估。未来需要设计临床数据采集方案，通过临床数据来验证模型方法的泛化能力。算法的训练和测试都是基于单个体的数据，所有患者数据的处理过程十分繁琐和耗时。跨个体数据的癫痫异常检测模型能够极大地提升模型对患者数据的处理效率，是我们下一步的主要研究目标。

参考文献

[1] Hassan AR, Subasi A. Automatic identification of epileptic seizures from EEG signals using linear programming boosting[J]. Comput Methods Programs Biomed, 2016, 136: 65-77.

[2] Mian Qaisar S, Subasi A. Effective epileptic seizure detection based on the event-driven processing and machine learning for mobile healthcare[J]. J Ambient Intell Humaniz Comput, 2022, 13(7): 3619-31.

[3] Milligan TA. Epilepsy: a clinical overview[J]. Am J Med, 2021, 134(7): 840-7.

[4] Shoeibi A, Khodatars M, Ghassemi N, et al. Epileptic seizures detection using deep learning techniques: a review[J]. Int J Environ Res Public Health, 2021, 18(11): 5780.

[5] Zhang S, Liu GD, Xiao RL, et al. A combination of statistical parameters for epileptic seizure detection and classification using VMD and NLTWSVM[J]. Biocybern Biomed Eng, 2022, 42(1): 258-72.

[6] Vijay Anand S, Shantha Selvakumari R. Noninvasive method of epileptic detection using DWT and generalized regression neural network[J]. Soft Comput, 2019, 23(8): 2645-53.

[7] Sameer M, Gupta B. Time–frequency statistical features of delta band for detection of epileptic seizures[J]. Wirel Pers Commun, 2022, 122(1): 489-99.

[8] 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 Trans Neural Syst Rehabil Eng, 2016, 24(1): 28-35.

[9] Acharya UR, Molinari F, Sree SV, et al. Automated diagnosis of epileptic EEG using entropies[J]. Biomed Signal Process Contr, 2012, 7(4): 401-8.

[10] Xiang J, Li CG, Li HF, et al. The detection of epileptic seizure signals based on fuzzy entropy[J]. J Neurosci Methods, 2015, 243: 18-25.

[11] Jouny CC, Bergey GK. Characterization of early partial seizure onset: frequency, complexity and entropy[J]. Clin Neurophysiol, 2012, 123(4): 658-69.

[12] Osowski S, Swiderski B, Cichocki A, et al. Epileptic seizure characterization by Lyapunov exponent of EEG signal[J]. COMPEL Int J Comput Math Electr Electron Eng, 2007, 26(5): 1276-87.

[13] Sharma M, Pachori RB, Rajendra Acharya U. A new approach to characterize epileptic seizures using analytic time-frequency flexible wavelet transform and fractal dimension[J]. Pattern Recognit Lett, 2017, 94: 172-9.

[14] Aarabi A, He B. Seizure prediction in patients with focal hippocampal epilepsy[J]. Clin Neurophysiol, 2017, 128(7): 1299-307.

[15] C SKR, M S. A 1-D CNN-FCM model for the classification of epileptic seizure disorders[J]. Neural Comput Appl, 2023, 35(24): 17871-81.

[16] Tian XB, Deng ZH, Ying WH, et al. Deep multi-view feature learning for EEG-based epileptic seizure detection[J]. IEEE Trans Neural Syst Rehabil Eng, 2019, 27(10): 1962-72.

[17] 廖家慧, 李涵懿, 詹长安, 等. 癫痫发作预测模型: 斯托克韦尔变换的生成对抗与长短时记忆网络半监督方法[J]. 南方医科大学学报, 2023, 43(1): 17-28.

[18] Yu JH, Gao X, Li BF, et al. A filter-augmented auto-encoder with learnable normalization for robust multivariate time series anomaly detection[J]. Neural Netw, 2024, 170: 478-93.

[19] Fan J, Liu ZT, Wu HF, et al. LUAD: a lightweight unsupervised anomaly detection scheme for multivariate time series data[J]. Neurocomputing, 2023, 557: 126644.

[20] Enayati E, Mortazavi R, Basiri A, et al. Time series anomaly detection via clustering-based representation[J]. Evol Syst, 2024, 15(4): 1115-36.

[21] Zhu W, Li WJ, Dorsey ER, et al. Unsupervised anomaly detection by densely contrastive learning for time series data[J]. Neural Netw, 2023, 168: 450-8.

[22] Emami A, Kunii N, Matsuo T, et al. Autoencoding of long-term scalp electroencephalogram to detect epileptic seizure for diagnosis support system[J]. Comput Biol Med, 2019, 110: 227-33.

[23] You S, Cho BH, Yook S, et al. Unsupervised automatic seizure detection for focal-onset seizures recorded with behind-the-ear EEG using an anomaly-detecting generative adversarial network[J]. Comput Methods Programs Biomed, 2020, 193: 105472.

[24] You S, Cho BH, Shon YM, et al. Semi-supervised automatic seizure detection using personalized anomaly detecting variational autoencoder with behind-the-ear EEG[J]. Comput Methods Programs Biomed, 2022, 213: 106542.

[25] 中国抗癫痫协会脑电图和神经电生理分会. 视频脑电图基本技术标准[J]. 癫痫杂志, 2022, 8(1): 17-8.

[26] Zhao YN, Zhang GB, Zhang YF, et al. Multi-view cross-subject seizure detection with information bottleneck attribution[J]. J Neural Eng, 2022, 19(4): 46011.

[27] Rasheed K, Qayyum A, Qadir J, et al. Machine learning for predicting epileptic seizures using EEG signals: a review[J]. IEEE Rev Biomed Eng, 2021, 14: 139-55.

[28] Kingma D P, Welling M.Auto-Encoding Variational Bayes[J].arXiv.org, 2014.DOI:10.48550/arXiv.1312.6114 .

[29] Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative adversarial networks[J]. 2014: arXiv: 1406.2661.

[30] 谭宏卫, 周林勇, 王国栋, 等. 生成式对抗网络的不稳定性分析及其处理技术[J]. 中国科学: 信息科学, 2021, 51(4): 602-17.

[31] Zenati H, Foo C S, Lecouat B, et al. Efficient GAN-Based Anomaly Detection[J]. 2018.DOI:10.48550/arXiv.1802.06222 .

[32] Schlegl T, Seeböck P, Waldstein SM, et al. F-AnoGAN: fast unsupervised anomaly detection with generative adversarial networks[J]. Med Image Anal, 2019, 54: 30-44.

[33] Qiu XJ, Yan F, Liu HH. A difference attention ResNet-LSTM network for epileptic seizure detection using EEG signal[J]. Biomed Signal Process Contr, 2023, 83: 104652.

[34] Saichand NV, Gopiya Naik S. Epileptic seizure detection using novel Multilayer LSTM Discriminant Network and dynamic mode Koopman decomposition[J]. Biomed Signal Process Contr, 2021, 68: 102723.

[35] Hu XM, Yuan SS, Xu FZ, et al. Scalp EEG classification using deep Bi-LSTM network for seizure detection[J]. Comput Biol Med, 2020, 124: 103919.

[36] Chung J, Gulcehre C, Cho K H,et al.Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J].Eprint Arxiv, 2014.DOI:10.48550/arXiv.1412.3555 .

基金资助

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021