一维卷积神经网络的自编码癫痫发作异常检测模型

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。

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