程偉，龍佳偉，鄭威

(江蘇科技大學電子信息學院,鎮(zhèn)江 212000)

1 引 言

癲癇(Epilepsy)是人類最易發(fā)的神經(jīng)科疾病之一，近年來越來越被重視。其病理為在大腦神經(jīng)元中時常突發(fā)性不常規(guī)放電，從而導致大腦功能受阻。其特征為反復性、突發(fā)性的發(fā)作，且發(fā)病范圍廣[1]。

腦電圖(electroencephalogram，EEG)是有效判斷癲癇發(fā)病的臨床醫(yī)學依據(jù)[2]。使用腦電圖可以更方便地對大腦神經(jīng)元異常放電進行監(jiān)測和記錄[3]。癲癇腦電信號一般指尖波、棘波等突發(fā)性的非常規(guī)放電[4]，臨床上它們是醫(yī)生診斷癲癇信號的重要依據(jù)。

迄今為止，有很多方法被用于腦電癲癇信號識別[5]。1970年，Viglione等[6]利用對癲癇發(fā)病患者的長期腦電檢測，發(fā)現(xiàn)在臨床癲癇發(fā)作之前患者的腦電圖會發(fā)生棘波、尖波、慢波等癲癇樣放電。Majundar等[7]通過微分方差等簡單的時域分析對癲癇腦電圖進行特征提取。Khan[8]等通過頻域方法離散小波變換分析腦電信號的時頻特征，并在小波變換的基礎上，進一步提取頻譜特征。Daniel等[9]利用信號的復雜度和近似熵等非線性動力學特征應用于癲癇預警。劉偉楠[10]等使用功率譜對睡眠中的癲癇發(fā)作作出預測。

針對癲癇放電模式的多樣化，將不同患者各自的癲癇腦電特點，通過機器學習[11]自動學習到最合適的特征才是理想的解決方案[12]。陳姍姍[13]結合小波變化和稀疏表示的方法對癲癇腦電信號進行特征分類。戴若夢[14]利用CNN卷積神經(jīng)網(wǎng)絡對運動想象腦電進行分類。呂健[15]利用小波變換和SVM支持向量機算法對癲癇腦電信號進行檢測，最終預測癲癇腦電樣本中癲癇信號的正確分類率為91.667%。潘媛媛等[16]使用基于GM-SVM，即遺傳算法和支持向量機相結合的分類模型。宋玉龍等[17]使用經(jīng)驗模態(tài)分解和極限學習機，實現(xiàn)了對癲癇的分類研究。沈雷等[18]利用遷移學習和空洞卷積對癲癇腦電信號進行自動檢測研究。

上述研究成果，為癲癇腦電信號識別提供了較為明確、清晰的思路，但仍存在一些不足：通常網(wǎng)絡層數(shù)較淺，不能很好地學習到癲癇樣放電的特征；對于數(shù)據(jù)集最后的驗證未使用合理科學的K折驗證；分類時參數(shù)過多，分類性能較差。

本研究引入了Densenet密集卷積網(wǎng)絡對癲癇腦電信號進行識別。通過使用Densenet加深了網(wǎng)絡結構，提取了更多特征。由于網(wǎng)絡密集機制的使用，可以避免隨著網(wǎng)絡層數(shù)加深產(chǎn)生的過擬合以及退化現(xiàn)象。使用K折交叉驗證對腦電癲癇信號提前進行分類，再互相比較，為實驗驗證增加了更多合理性。

2 密集卷積網(wǎng)絡(DenseNet)網(wǎng)絡模型

2.1 密集連接

ResNet[19]這種將前層與后層相連接的網(wǎng)絡結構，由于其非常像電路中的短路結構，被統(tǒng)稱為“短路連接”(shortcuts，skip connection)，對梯度的反向傳播比較有利。而DensNet[20]在繼承了此網(wǎng)絡結構之外，增加了與前層所有層之間的連接結構。

由于DenseNet所有的層均被連接，每一層都會獲取之前的所有層作為該層額外的輸入，對于一個L層的網(wǎng)絡來說，DenseNet一共包括了L(L+1)/2個連接。同時借助該密集連接(見圖1)，DenseNet可獲取來自不同層的特征圖，以達到特征重用的目的，進一步提升了效率。

圖1 密集連接

傳統(tǒng)的L層網(wǎng)絡的輸出，見式(1)：

xl=Hl(xl-1)

(1)

而在DenseNet中，連接了前面所有層的輸入，見式(2)：

xl=Hl([x0,x1,...,xl-1])

(2)

式中Hl(.)代表非線性轉化函數(shù)，為一個卷積神經(jīng)網(wǎng)絡中[21]常用的操作，包含Conv，BN(Batch Normalization)，ReLU激活函數(shù)及池化等步驟。

2.2 網(wǎng)絡結構

在DenseNet中獨有Dense block密集塊(見圖2)，在Dense block中，每一層特征圖的大小一致，可以在通道上連接。Dense block的非線性轉化函數(shù)一般采用BN+ReLU+3×3Conv的結構。由圖3可知，Dense block中,各個層卷積后都輸出k個特征圖，即采用k個卷積核。卷積核的個數(shù)k在DenseNet中被稱為growth rate。

圖2 DenseNet網(wǎng)絡結構

在密集塊后，由于密集連接的特性，為確保各層特征圖輸入的維度一致，通常會添加一個過渡層。本研究的過渡層使用BN+Conv+池化操作,在連接兩個密集塊的同時，降低前一層特征圖的大小。此外，過渡層還起到壓縮模型的作用，引入壓縮系數(shù)m，通過此過渡層后，特征數(shù)量會乘以0～1之間的一個m壓縮系數(shù)。

在密集塊中，使用BN+Relu+Conv的結構。Relu為常見的激活函數(shù)：

(3)

一般神經(jīng)網(wǎng)絡選擇的激活函數(shù)有：Sigmoid，Tanh，Relu，Elu，除Relu外其余定義見式(4)—(6)，對比見圖4。Relu為非線性激活函數(shù)，本研究采用該函數(shù)，在深層的神經(jīng)網(wǎng)絡中可以更好地避免過擬合的發(fā)生[23]。

圖4 四種激活函數(shù)對比圖

(4)

表1 網(wǎng)絡結構

(5)

(6)

3 實驗結果及分析

本研究所使用的數(shù)據(jù)集為德國伯恩大學癲癇數(shù)據(jù)集的預處理版本。實驗所使用的環(huán)境以及庫版本，見表2。

表2 實驗環(huán)境

原始數(shù)據(jù)集包含五個不同患者的腦電采樣，每個文件記錄了23.6 s的大腦活動，采樣頻率為173.61 Hz。相應的時間序列被采樣到4 097個數(shù)據(jù)點中，每個數(shù)據(jù)點都記錄了不同時間點的EEG值。其中，樣本A記錄了癲癇發(fā)作活動，樣本B和C為正常無癲癇疾病的正常人，樣本D和E分別取自癲癇發(fā)作期間患者閉上眼睛和睜開眼睛時的EEG信號。

首先將原始腦電數(shù)據(jù)進行預處理和重構。數(shù)據(jù)集預處理由德國伯恩大學作出的成果完成[24]，即使用0.53～40 Hz的帶通濾波器對其進行濾波操作，并使用視覺檢測技術去除偽跡干擾。數(shù)據(jù)重構[25]將原始數(shù)據(jù)集的4 097個數(shù)據(jù)點分為23個數(shù)據(jù)塊，按照隨機排列，每個數(shù)據(jù)塊包含178個數(shù)據(jù)點，持續(xù)1 s，每個數(shù)據(jù)點是在不同時間點的EEG記錄值。因此，數(shù)據(jù)集被拆分為23×500=11 500條數(shù)據(jù)，每個數(shù)據(jù)包含1 s的178個數(shù)據(jù)點，數(shù)據(jù)標簽為{A,B,C,D,E}。

數(shù)據(jù)集取樣見圖5、圖6。圖5為數(shù)據(jù)集中癲癇樣1 s腦電圖取樣，即從數(shù)據(jù)標簽為A的數(shù)據(jù)集中選取的第一組數(shù)據(jù)塊。圖6為非癲癇樣1 s腦電圖取樣，即從數(shù)據(jù)標簽為B的數(shù)據(jù)集中選取的第一組數(shù)據(jù)塊。

圖5 癲癇樣1 s腦電圖取樣

圖6 非癲癇樣1 s腦電圖取樣

本研究使用最常用的卷積神經(jīng)網(wǎng)絡框架AlexNet[26]和LeNet[27]作為實驗對照組。實驗的評價指標使用準確率 (accuracy,ACC)、精確度(precision, PPV)、靈敏度 (sensitivity,TPR)、特異度(specificity, TNR)和F1分數(shù) (F1 score, F1)。這里引入受試者工作特性曲線(receiver operating characteristic-area under curve, ROC-AUC)。ROC曲線中的x軸為誤診率(false positive rate, FPR)，y軸的縱坐標為靈敏度 TPR，ROC曲線相對于x軸的面積為AUC(Area under curve)。其作用是給出反應敏感度和特異度連續(xù)變量的綜合指標，并且通過統(tǒng)計數(shù)據(jù)，確定疾病的最佳診斷點。上述指標定義見式(7)—式(11)，其中 FN為假陰性，F(xiàn)P為假陽性，TN為真陰性，TP為真陽性。

(7)

(8)

(9)

(10)

(11)

為了保證實驗的可靠性以及避免數(shù)據(jù)集的隨機性導致的實驗誤差，這里引入K折交叉驗證法[28]，見圖7。五折交叉驗證，即將數(shù)據(jù)集隨機拆分為5堆，將其中的一堆作為測試集，其余作為驗證集所用，并且保證每次取得的測試集不重復。即第i次實驗時，只用原數(shù)據(jù)集的第i個子集作為測試集，數(shù)據(jù)集中的其他數(shù)據(jù)作為訓練集；通過五次實驗計算，以五個實驗的平均值作為結果，從而達到將測試誤差估計平均測試誤差的效果。本次實驗中，未對數(shù)據(jù)集添加一些數(shù)據(jù)增強等手法，增強了模型的可靠性和耦合性。

圖7 五折交叉驗證

實驗結果顯示，本研究模型的ACC為96.94%，PPV為97.46%，TPR為87.18%，TNR為99.42%、F1分數(shù)為92.03%。由表3可知，針對同一數(shù)據(jù)集下，使用基于卷積神經(jīng)網(wǎng)絡不同模型的神經(jīng)網(wǎng)絡相比DenseNet的表現(xiàn)比較優(yōu)異，對EEG癲癇腦電信號識別的精準度提升較大。在指標中，ACC、PPV、TPR、TNR和F1分數(shù)較其他模型均有提升，說明DenseNet模型的效果遠高于AlexNet 和 LeNet。幾種常用的卷積神經(jīng)網(wǎng)絡中，Densenet模型對EEG腦電癲癇信號的識別效果最好，而AlexNet模型識別效果最差。

表3 實驗對照組評價參數(shù)對比

ROC曲線顯示Densenet模型的AUC達到了0.99，見圖8。說明該模型對EEG癲癇腦電信號的識別效果較好。此外，本研究還引入混淆矩陣來評價模型對癲癇和非癲癇腦電信號的分類能力，混淆矩陣中顏色越深表示概率越大，見圖9。由圖可知，本研究模型在EEG腦電癲癇信號識別分類中取得了良好的識別效果，模型具有較強的有效性和泛化能力。

圖8 ROC曲線圖

圖9 DensNet模型混淆矩陣

4 討論

使用德國波恩大學的相同數(shù)據(jù)集，將本研究取得的各項指標與目前已發(fā)表的文獻做對比，結果見表4。由表3和表4可知，本研究模型對比以前的文獻結果，各項指標都非常均衡，說明Densenet在EEG腦電癲癇信號識別領域取得良好的表現(xiàn)和穩(wěn)定性。主要有如下3個原因：優(yōu)秀的數(shù)據(jù)集預處理和重構算法增加了模型的通用性和兼容性；密集連接的優(yōu)勢，在獲取多層特征的同時，減少了參數(shù)的設置；通過加深網(wǎng)絡深度，獲取更多特征，通過Densenet模型避免退化問題的發(fā)生。

表4 與已經(jīng)發(fā)表的文獻結果對比

5 結論

本研究使用Densenet密集卷積網(wǎng)絡對癲癇腦電信號進行識別。密集卷積在同一數(shù)據(jù)集下可以擁有更少的參數(shù)數(shù)量，在提升自動化的同時，取得了96.94%的識別率，為癲癇發(fā)病檢測臨床應用技術的發(fā)展提供了新的可行性方案。

在后續(xù)研究中，便攜性以及實時性將成為重要方向。目前隨著基于移動手機芯片的深度學習架構的發(fā)展，結合手機成熟的用戶界面，后續(xù)可考慮將該模型應用于專業(yè)的醫(yī)療移動設備。