留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度卷积神经网络的脑电图异常检测

杜云梅 黄帅 梁会营

杜云梅, 黄帅, 梁会营. 基于深度卷积神经网络的脑电图异常检测[J]. 华南师范大学学报(自然科学版), 2020, 52(2): 122-128. doi: 10.6054/j.jscnun.2020035
引用本文: 杜云梅, 黄帅, 梁会营. 基于深度卷积神经网络的脑电图异常检测[J]. 华南师范大学学报(自然科学版), 2020, 52(2): 122-128. doi: 10.6054/j.jscnun.2020035
DU Yunmei, HUANG Shuai, LIANG Huiying. The Detection of Anomaly in Electroencephalogram with Deep Convolutional Neural Networks[J]. Journal of South China normal University (Natural Science Edition), 2020, 52(2): 122-128. doi: 10.6054/j.jscnun.2020035
Citation: DU Yunmei, HUANG Shuai, LIANG Huiying. The Detection of Anomaly in Electroencephalogram with Deep Convolutional Neural Networks[J]. Journal of South China normal University (Natural Science Edition), 2020, 52(2): 122-128. doi: 10.6054/j.jscnun.2020035

基于深度卷积神经网络的脑电图异常检测

doi: 10.6054/j.jscnun.2020035
基金项目: 

国家重点研发项目 2018YFC1315400

详细信息
    通讯作者:

    梁会营, 副主任医师, Email:lianghuiying@hotmail.com

  • 中图分类号: TP399

The Detection of Anomaly in Electroencephalogram with Deep Convolutional Neural Networks

  • 摘要: 为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.
  • 图  1  电极名称和位置[12]

    Figure  1.  The name and location of electrode[12]

    图  2  残差模块的结构

    Figure  2.  The structure of residual block

    图  3  整体网络结构

    Figure  3.  The overall network structure

    图  4  训练过程中RMSE和AUC随Epoch的变化

    Figure  4.  The changes of RMSE and AUC with Epoch during training

    图  5  对照实验的模型结构

    Figure  5.  The model structure of control experiment

    表  1  数据示例:22通道双极导联

    Table  1.   The data example:22 channel bipolar lead

    通道编号 通道名称 采样点
    t1 t2 t3 t4
    0 FP1-F7 1.63E-04 1.95E-07 5.86E-07 3.32E-06
    1 F7-T7 -1.86E-04 1.95E-07 -1.95E-07 -2.93E-06
    2 T7-P7 -2.15E-06 1.95E-07 1.95E-07 5.86E-07
    3 P7-O1 2.48E-05 1.95E-07 1.95E-07 9.77E-07
    4 FP1-F3 9.57E-06 1.95E-07 1.95E-07 5.86E-07
    5 F3-C3 -8.40E-06 1.95E-07 1.95E-07 9.77E-07
    6 C3-P3 3.32E-06 1.95E-07 1.95E-07 1.95E-07
    7 P3-O1 -4.49E-06 1.95E-07 1.95E-07 -1.95E-07
    8 FP2-F4 -1.93E-05 1.95E-07 1.95E-07 1.95E-07
    9 F4-C4 -1.47E-05 1.95E-07 1.95E-07 1.95E-07
    10 C4-P4 6.06E-06 1.95E-07 1.95E-07 1.95E-07
    11 P4-O2 -1.93E-05 1.95E-07 1.95E-07 1.95E-07
    12 FP2-F8 8.22E-05 1.95E-07 5.86E-07 2.93E-06
    13 F8-T8 -8.58E-05 1.95E-07 -1.95E-07 -2.15E-06
    14 T8-P8-0 -1.78E-05 1.95E-07 1.95E-07 1.95E-07
    15 P8-O2 -2.60E-05 1.95E-07 1.95E-07 1.95E-07
    16 FZ-CZ -3.18E-05 1.95E-07 1.95E-07 1.95E-07
    17 CZ-PZ 5.27E-06 1.95E-07 1.95E-07 5.86E-07
    18 P7-T7 2.54E-06 1.95E-07 1.95E-07 -1.95E-07
    19 T7-FT9 8.40E-06 1.95E-07 1.95E-07 1.95E-07
    20 FT9-FT10 4.24E-05 1.95E-07 1.95E-07 1.95E-07
    21 FT10-T8 -8.79E-06 1.95E-07 1.95E-07 1.95E-07
    注:如果EEG的采样频率是256 Hz,那么每秒就有256个采样点,这里只列出了其中4个采样点的数据作为示例. 表 2同.
    下载: 导出CSV

    表  2  数据示例:32通道参考导联

    Table  2.   The data example:32 channel reference lead

    通道编号 通道名称 采样点
    t1 t2 t3 t4
    0 EEG FP1-REF -3.60E-05 -3.60E-05 -3.60E-05 -3.78E-05
    1 EEG FP2-REF -2.52E-05 -2.52E-05 -2.43E-05 -2.43E-05
    2 EEG F3-REF -2.61E-05 -2.52E-05 -2.52E-05 -2.70E-05
    3 EEG F4-REF -7.19E-06 -6.29E-06 -6.29E-06 -7.19E-06
    4 EEG C3-REF -8.09E-06 -8.09E-06 -8.09E-06 -8.99E-06
    5 EEG C4-REF 6.31E-06 7.21E-06 6.31E-06 5.41E-06
    6 EEG P3-REF 6.31E-06 7.21E-06 4.51E-06 4.51E-06
    7 EEG P4-REF 1.44E-05 1.44E-05 1.26E-05 1.26E-05
    8 EEG O1-REF 1.53E-05 1.53E-05 1.53E-05 1.35E-05
    9 EEG O2-REF 2.07E-05 1.89E-05 1.89E-05 1.71E-05
    10 EEG F7-REF -3.78E-05 -3.69E-05 -3.69E-05 -3.60E-05
    11 EEG F8-REF -8.99E-06 -8.09E-06 -8.99E-06 -9.89E-06
    12 EEG T3-REF -2.34E-05 -2.34E-05 -2.34E-05 -2.52E-05
    13 EEG T4-REF 3.61E-06 2.71E-06 3.61E-06 2.71E-06
    14 EEG T5-REF 1.00E-08 -1.79E-06 -1.79E-06 -2.69E-06
    15 EEG T6-REF 1.62E-05 1.53E-05 1.53E-05 1.35E-05
    16 EEG FZ-REF -1.98E-05 -1.89E-05 -1.80E-05 -2.07E-05
    17 EEG CZ-REF 6.31E-06 4.51E-06 4.51E-06 2.71E-06
    18 EEG PZ-REF 1.44E-05 1.53E-05 1.44E-05 1.26E-05
    19 EEG EKG-REF 4.51E-06 1.00E-08 4.51E-06 7.21E-06
    20 EEG A1-REF 7.21E-06 -9.89E-06 -2.16E-05 -1.89E-05
    21 EEG A2-REF 4.51E-06 9.10E-07 -3.59E-06 -8.90E-07
    22 EEG T1-REF -3.15E-05 -3.06E-05 -3.06E-05 -3.24E-05
    23 EEG T2-REF -8.90E-07 -1.79E-06 -8.90E-07 -1.79E-06
    24 EEG SP1-REF 1.17E-05 -9.89E-06 -2.25E-05 -2.07E-05
    25 EEG SP2-REF 1.00E-08 -7.19E-06 -6.29E-06 -8.09E-06
    26 EEG LUC-REF 1.44E-05 -8.09E-06 -2.25E-05 -1.89E-05
    27 EEG RLC-REF -1.26E-05 -1.35E-05 -1.26E-05 -1.53E-05
    28 EEG RESP1-REF 9.91E-06 -9.89E-06 -2.25E-05 -1.53E-05
    29 EEG RESP2-REF 3.61E-06 -1.71E-05 -1.80E-05 -1.08E-05
    30 EEG 31-REF -8.99E-06 -8.09E-06 -8.99E-06 -8.99E-06
    31 EEG 32-REF -4.05E-05 -3.87E-05 -3.96E-05 -4.05E-05
    下载: 导出CSV

    表  3  通道映射关系

    Table  3.   The channel mapping

    通道编号 双极导联 参考导联映射
    0 FP1-F7 EEG FP1-REF-EEG F7-REF
    1 F7-T7 EEG FP2-REF-EEG T7-REF
    2 T7-P7 EEG F3-REF-EEG P7-REF
    3 P7-O1 EEG F4-REF-EEG O1-REF
    4 FP1-F3 EEG FP1-REF-EEG F3-REF
    5 F3-C3 EEG F3-REF-EEG C3-REF
    6 C3-P3 EEG C3-REF-EEG P3-REF
    7 P3-O1 EEG P3-REF-EEG O1-REF
    8 FP2-F4 EEG FP2-REF-EEG F4-REF
    9 F4-C4 EEG F4-REF-EEG C4-REF
    10 C4-P4 EEG C4-REF-EEG P4-REF
    11 P4-O2 EEG P4-REF-EEG O2-REF
    12 FP2-F8 EEG FP2-REF-EEG F8-REF
    13 F8-T8 EEG F8-REF-EEG T4-REF
    14 T8-P8-0 EEG T4-REF-EEG T6-REF
    15 P8-O2 EEG T6-REF-EEG O2-REF
    16 FZ-CZ EEG FZ-REF-EEG CZ-REF
    17 CZ-PZ EEG CZ-REF-EEG PZ-REF
    18 P7-T7 EEG T5-REF-EEG T3-REF
    19 T7-FT9 EEG T3-REF-EEG T1-REF
    20 FT9-FT10 EEG T1-REF-EEG T2-REF
    21 FT10-T8 EEG T2-REF-EEG T4-REF
    下载: 导出CSV

    表  4  数据示例:二维数据转换成一维时间序列

    Table  4.   The data example:converting two-dimensional data into one-dimensional time series

    采样点 t1 t2 t3 t4
    样本值 -3.50E-06 1.95E-07 1.95E-07 3.02E-07
    下载: 导出CSV

    表  5  不同过滤器长度下的测试正确率

    Table  5.   The test accuracy under different filter lengths %

    过滤器长度 f=3 f=8 f=10 f=16
    测试正确率 93.69 94.14 94.33 93.83
    下载: 导出CSV

    表  6  测试集上的混淆矩阵

    Table  6.   The obfuscation Matrix on test set

    类别 真实正常 真实异常
    预测正常 5 623 422
    预测异常 260 5 717
    下载: 导出CSV

    表  7  每个类别主要分类指标的文本报告

    Table  7.   The text reports on key indicators

    类别 精确率/% 召回率/% F1值/% 支持样本数/个
    预测正常 96 93 94 6 045
    预测异常 93 96 94 5 977
    下载: 导出CSV

    表  8  5个模型的分类正确率

    Table  8.   The classification accuracy of five models

    模型类型 准确率/% 来源
    5层1D CNN 81.60 文献[17]
    13层deep 1D CNN 88.70 文献[6]
    5层1D CNN 93.65 本研究对照实验模型(图 5A)
    15层1D CNN 93.85 本研究对照实验模型(图 5B)
    31层1D CNN 94.33 本研究最终模型(图 2图 3)
    下载: 导出CSV
  • [1] MEDITHE J W C, NELAKUDITI U R. Study of normal and abnormal EEG[C]//Proceedings of the 3rd International Conference on Advanced Computing and Communication Systems. Coimbatore: IEEE, 2016: 1-4.
    [2] SHOEB A, GUTTAG J. Application of machine learning to epileptic seizure detection[C]//Proceedings of the 27th International Conference on Machine Learning. Haifa, Israel: [s.n.], 2010.
    [3] 杜云梅, 梁会营, 黄帅.基于分层阈值的儿童脑电信号流式降噪预处理[J].中国数字医学, 2019, 14(3):88-91. http://d.old.wanfangdata.com.cn/Periodical/zgszyx201903027

    DU Y M, LIANG H Y, HUANG S. Preprocessing of stream denoising for children's EEG signals based on hierarchical thresholds[J]. China Digital Medicine, 2019, 14(3):88-91. http://d.old.wanfangdata.com.cn/Periodical/zgszyx201903027
    [4] RAJPURKAR P, HANNUN A Y, HAGHPANAHI M, et al. Cardiologist-level arrhythmia detection with convolutional neural networks[J/OL]. (2017-07-06)[2019-08-10]. https://arxiv.org/pdf/1707.01836.pdf.
    [5] HASSAN M, SHAMAS M, KHALIL M, et al. EEGNET: An open source tool for analyzing and visualizing M/EEG Connectome[J]. PLOS ONE, 2015, 10(9):e0138297/1-20. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0228850016/
    [6] ACHARYA U R, HAGIWARA Y, ADELI H. Automated seizure prediction[J]. Epilepsy & Behavior, 2018, 88:251-261. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0230880075/
    [7] YANG J B, NGUYEN M N, SAN P P, et al. Deep convolutional neural networks on multichannel time series for human activity recognition[C]//Proceedings of the 24th International Conferencd on Artificial Intelligence. California: AAAI Press, 2015.
    [8] ZHANG P, WANG X, ZHANG W, et al. Learning spatial-spectral-temporal EEG features with recurrent 3D convolutional neural networks for cross-task mental workload assessment[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2019, 27(1):31-42. http://www.researchgate.net/publication/329392626_Learning_Spatial-Spectral-Temporal_EEG_Features_With_Recurrent_3D_Convolutional_Neural_Networks_for_Cross-Task_Mental_Workload_Assessment
    [9] YANG Y L, WU Q F, QIU M, et al. Emotion recognition from multi-channel eeg through parallel convolutional recurrent neural network[C]//Proceedings of the 2018 International Joint Conference on Neural Networks. Rio de Janeiro: IEEE, 2018: 1-7.
    [10] ACHARYA U R, OH S L, HAGIWARA Y, et al. Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals[J]. Compu-ters in Biology and Medicine, 2018, 100:270-278. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=cb9ee9b03779afd848d25fac32a9dd2a
    [11] 刘晓燕.临床脑电图学[M]. 3版.北京:人民卫生出版社, 2017.
    [12] MALMIVUO J, PLONSEY R. Bioelectromagnetism[M/OL]. New York: Oxford University Press, 1995. http://www.bem.fi/book/13/13.htm#03.
    [13] SHOEB A. Application of machine learning to epileptic seizure onset detection and treatment[D]. Cambridge: Massachusetts Institute of Technology, 2009.
    [14] NEDC. Temple university hospital EEG resources: TUH EEG(v1.4.0)[DS/OL]. Philadelphia: Temple University Hospital, (2018-10-22)[2019-08-10]. https://www.isip.piconepress.com/projects/tuh_eeg/.
    [15] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2016.
    [16] KWAPISZ J R, WEISS G M, MOORE S A. Activity recognition using cell phone accelerometers[J]. ACM SIGKDD Explorations Newsletter, 2011, 12(2):74-82. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0221378880/
    [17] VAN LEEUWEN K G, SUN H, TABAEIZADEH M, et al. Detecting abnormal electroencephalograms using deep convolutional networks[J]. Clinical Neurophysiology, 2019, 130(1):77-84.
  • 加载中
图(5) / 表(8)
计量
  • 文章访问数:  4493
  • HTML全文浏览量:  3245
  • PDF下载量:  106
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-19
  • 刊出日期:  2020-04-25

目录

    /

    返回文章
    返回