【神麻人智】使用基于动态图嵌入熵的多通道脑电图检测癫痫

异常的大脑电活动是癫痫发作的主要原因。癫痫的频繁发作严重影响患者的身心健康。如，癫痫患者常在任何时间、地点、环境中突然发作，不受控制。此外，癫痫会导致认知障碍、记忆障碍、智力下降、性格改变，最终丧失生活能力。脑电图 (EEG) 用于记录大脑的电活动。由于脑电信号可以准确记录癫痫发作时的棘波、尖波或不规则尖波，因此脑电图检查对癫痫的诊断非常重要，对停药更是具有指导作用。在临床实践中，医生通过分析脑电图信号，确定癫痫发作的模式从而进行诊断。一般而言，患者需要连续监测数天甚至数周才能记录大范围的脑电信号。因此，脑电信号的分析需要消耗大量的人力，有没有一种更加智能的癫痫检测方法呢？ 

背景

传统的脑电图癫痫检测方法是基于傅里叶变换或小波变换。这些方法计算脑电图的频域并提取频率模式，继而这些模式被输入到分类模型中以检测癫痫发作。传统方法的局限性在于非平稳的脑电信号通常会结合噪声，影响诊断的准确性。随着深度学习的快速发展，许多技术可以来检测脑电图上的癫痫发作。这些方法基于先验知识，核心思想是从标注的数据集中学习癫痫和非癫痫特征，并从脑电图信号中检测癫痫发作。然而，在广泛的脑电图信号记录中，癫痫发作的间隔时间是短暂的，这就存在样本类别不平衡问题。对于监督学习模型，不平衡问题必定会影响检测的性能。此外，这些监督学习模型无法检测出训练数据集之外的癫痫模式。

因此，研究者提出了一种无监督学习模型来学习先验知识中未显示的癫痫模式。通过使用多个电极采集脑电信号，将多个脑电图信号而不是图像应用于癫痫检测。研究方法的核心思想是发现多个脑电信号之间的关系以构建动态图，并通过计算动态图的熵来检测异常时间间隔。

本工作的主要贡献如下:

1.研究者提出了一种用于癫痫检测的无监督学习方法。该方法通过发现虚假关系构建多通道脑电图的动态图，并利用熵测量来计算两个图之间的相似性。

2.研究者提出了一种基于熵的动态图嵌入模型来对图进行聚类。由于癫痫发作时间间隔内脑电信号之间的相关性与非癫痫发作不同，因此癫痫发作时间间隔的熵与嵌入空间的非癫痫发作也相差甚远。

3.研究者在波士顿麻省理工学院儿童医院(CHB-MIT) 脑电图数据库上进行了实验，实验结果表明，所提出的方法优于基线。 

相关工作

1.癫痫检测中的特征提取

特征提取在癫痫发作检测中起着至关重要的作用。由于原始脑电信号结合了噪声，基于时域特征的癫痫发作检测性能受到影响。噪声的频率在一个固定的范围内，因此频域特征可以过滤噪声对癫痫发作的影响。主要的频域特征提取方法是小波变换。由于脑电图信号是从多个电极记录的，本工作中研究者的目标是提取电极之间的相关性作为癫痫检测的特征。

2.基于机器学习的癫痫检测

机器学习已广泛应用于癫痫发作检测，例如支持向量机、长短期记忆网络和卷积神经网络（CNN）都表现出显着的作用。但是这些模型中的大多数都是监督学习模型，需要大量的标注数据集来训练它们的模型。这些标注的数据集很少见，因此研究者提出了一个无监督学习模型来解决这个问题。

3.基于图论的癫痫检测

许多论文最近使用图论来检测多个时间序列的异常。这些方法试图使用图对多通道脑电图进行建模，并发现信号之间的关系特征用于癫痫检测。

方法

介绍动态图的构建、图熵的计算以及基于熵的动态图嵌入模型。

图1显示了所提出方法的主要步骤。首先，利用小波变换将多通道脑电信号分成若干时间间隔。然后，研究者发现脑电信号之间的相关性，以构建每个时间间隔的图表。由于多个脑电信号是从一个人身上采集的，因此它们之间存在很高的相关性。癫痫发作使这些相关性消失或减弱，因此研究者使用熵来量化这些关系的信息。为了区分癫痫发作的时间间隔，研究者提出了一个动态图嵌入模型。嵌入空间中的正常时间间隔很接近，因为它们具有相似的熵，而癫痫发作的时间间隔是分散的并且远离这些正常时间间隔。最后，研究者应用局部异常因子（LOF）方法来检测嵌入空间中的癫痫发作。

图2显示了一个动态图构造示例，其中每个顶点表示脑电图的一个通道，Gt表示第t时间间隔内的图，边缘的权重表示两个通道之间的虚假相关系数。由于Gt处多通道脑电图信号之间的权重与其他两个图不同，因此癫痫发作发生在第t个时间间隔。 

实验结果

1.数据集

该癫痫检测方法适用于CHB-MIT头皮脑电图数据库。脑电图数据由波士顿儿童医院从23名癫痫患者中收集。以256 Hz的采样率记录这些脑电图信号，并将其分为24例。

2.基线

为了将所提出的方法与以前的方法进行比较，研究者使用了四种癫痫检测方法，这些方法应用在与基线相同的数据库上，如下所示。

 Tang 等提出了一种用于癫痫检测的多级频谱时间特征学习框架。它将多通道脑电图分解为五组，并使用支持向量机作为分类器来检测癫痫发作。

 Yang等主要提出了一种算法，称为MinMaxHist，用于从脑电图信号中提取特征。这些特征提高了分类器的性能。

Hu等提出了一种基于双向长短期记忆架构的方法。主要是利用局部平均分解来保持脑电信号的非平稳性，同时减少计算量。• Fathima等人使用小波变换提取八个统计特征来检测癫痫发作。

 Shankar等人使用图表对多个脑电图信号进行建模以检测癫痫发作。

3.评估指标

为了评估所提出的方法，研究者将癫痫发作时间间隔设置为真实样本，并利用准确性、精度、敏感（召回）、F1分数和特异性作为评估指标。特异性计算为：特异性= TN/(TN + FP)，其中TN、TP 和FP分别为真阴性、真阳性和假阴性。

4.结果

在研究者的研究中，两个图之间的熵的相似性是通过使用距离测量来计算的。为了确定研究者论文中应用的距离测量，研究者使用欧几里得距离、曼哈顿距离、切比雪夫距离和余弦相似度来进行实验。表1显示了实验结果。欧几里得距离测量在准确性、灵敏度、F1分数和特异性方面优于其他测量。这表明欧几里得距离测量比其他的更能测量两个图之间的距离。

表2显示使用基线的比较结果。根据实验结果，所提出的方法比基线具有更好的准确性和特异性。这表明在动态图嵌入后，一些癫痫发作时间间隔与最正常的间隔不远。LOF方法无法检测到这些时间间隔，并且该方法的灵敏度比前文提到的Fathima方法低0.001。

为了验证不同异常值检测方法的性能，研究者使用了孤立森林(IF)、箱线图(BP)和基于密度的噪声应用空间聚类 (DBSCAN)来制作比较。图5显示了不同异常检测方法的比较。在研究者的方法中，研究者利用LOF方法来检测癫痫发作。根据结果，LOF方法在准确度、F1分数、特异性、灵敏性和精密度上均取得了最佳表现。BP方法的性能最差，因为图在嵌入空间的分布不是正态分布分配。

表3显示了不同动态图嵌入模型的比较结果。研究者使用图卷积网络(GCN)和动态图与基于向量的模型(Dy2V)进行比较，以评估所提出的动态图嵌入模型。GCN利用卷积神经网络的思想来嵌入图。Dy2V架构提供了三种不同的基于Dy2V的模型，即基于Dy2V的自动编码器(Dy2VAE)、循环神经网络(Dy2VRNN)和使用自动编码器和循环神经网络的集成模型(Dy2AERNN)。根据结果，所提出的方法在准确度、精密度、F1分数和特异性方面取得了最佳性能。Dy2VAE和Dy2VRNN模型以1.000的灵敏度达到最佳性能。

5.消融研究

研究者通过去除一些因素来比较所提出方法的几种变体。有两个因素会影响研究者方法的最终性能，即熵计算（EC）和动态图嵌入（DGE）。为了观察各因素对最终性能的影响，研究者在两种情况下进行了实验。第一种情况是从提议的方法中删除EC并嵌入没有熵的动态图。然后，研究者移除DGE并利用图熵来检测癫痫发作。消融研究的结果如图6所示。根据结果，所提出的没有EC的方法的准确性低于完整方法。没有EC和DGE的建议方法在所有评估指标上取得了最差的性能。 

结论

本文提出了一种检测癫痫发作的新思路，通过发现多通道脑电信号之间的虚假关系构建动态图，利用虚假相关系数计算图熵，提出一种基于熵的动态图嵌入方法。研究者在CHB-MIT脑电图数据库上进行了实验。结果表明，所提出的方法在准确性方面优于基线1.4%。研究者利用LOF方法来检测癫痫发作。实验结果表明，LOF方法在准确度方面优于其他技术10.3%。研究者还通过进行比较实验验证了所提出的动态图嵌入模型。结果表明，所提出的模型在准确性方面优于其他模型8.1%。 

局限性和工作展望

本研究存在一些局限性。研究者考虑使用图熵来衡量两个图之间的相似性，但是在某些情况下，具有相似熵的两个图具有不同的结构。如果癫痫发作和非癫痫发作的图具有不同的结构但具有相似的熵，则模型无法检测到这些癫痫发作。为了克服这个问题，研究者计划设计一个动态图嵌入模型来考虑熵的相似性。第二个限制是，所提出的模型仅从多通道脑电图号中检测癫痫发作，而忽略了癫痫发作预测。

由于癫痫发作时间间隔的数量小于正常间隔，为了在少量样本中学习癫痫发作的特征，研究者计划应用元学习技术来学习癫痫发作和非癫痫发作的模式以检测癫痫的发作。

编译：张瑜 审校：罗猛强  

原文链接：Li G,Jung JJ. Seizure detection from multi-channel EEG using entropy-based dynamicgraph embedding. Artif Intell Med. 2021 Dec;122:102201. doi:10.1016/j.artmed.2021.102201.