《Digital Chinese Medicine》：Real-time Seizure Prediction Using Raw EEG Signals with IoMT-enabled Features
编辑推荐：
癫痫预测、CNN-LSTM1D模型、电极选择优化、可穿戴医疗设备、边缘计算
Ranjan Jana | Imon Mukherjee
印度信息技术学院卡利亚尼分校，加尔各答，741235，印度
摘要
癫痫发作对患者构成生命威胁。及时预测和采取预防措施可以提高患者的生活质量。脑电图（EEG）信号分析是一种经过验证的预测癫痫发作的方法，使患者及其护理人员能够采取必要的预防措施。然而，对更多EEG通道的需求降低了现有癫痫预测设备的便携性。为了解决这个问题，本文提出了一种功耗低、重量轻的癫痫预测系统，该系统能够从原始EEG信号中识别癫痫发作。在实现阶段，设计了三种高效的深度学习模型：CNN-LSTM1D、CNN1D和DenseNet1D用于自动特征提取。由于CNN-LSTM1D模型表现更优，因此选择了该模型以确保最佳性能。在CNN-LSTM1D中，CNN用于特征提取，提取的特征被输入到LSTM网络中以支持序列预测。通过穷举搜索算法来最小化所需的EEG通道数量。大量实验表明，所提出的癫痫预测器在CHB-MIT数据库上的准确率为0.9691，敏感性为0.9753，特异性为0.9630。使用Raspberry Pi构建了一个医疗物联网（IoMT）边缘设备，设计出一种功耗低、重量轻的可穿戴癫痫预测设备，该设备可以从一个EEG通道（两个电极）收集数据。该边缘设备利用设备上的处理能力进行实时数据分析，延迟时间为163毫秒，以便提前警告癫痫患者。
引言
癫痫发作是由于大脑异常电活动导致的突然失去意识[1]。癫痫患者因突然的癫痫发作而面临生命危险。癫痫发作会引起头晕、四肢抽搐和失去意识，在游泳和驾驶时甚至可能导致死亡。癫痫发作通过使用抗癫痫药物来控制。然而，这类药物对超过30%的癫痫患者无效[2]。脑电图（EEG）信号分析是一种常用的预测癫痫发作的方法[3]。EEG数据是通过金属电极从头皮收集的。癫痫患者的状态分为四种：发作期（癫痫发作期间）、发作前期（癫痫发作前）、发作后期（癫痫发作后）和发作间期（正常情况下）[4]。如图1所示，这四种状态下的EEG信号模式各不相同。
识别发作前期状态是提前预测癫痫发作的关键因素[5]。因此，对发作间期和发作前期状态进行分类是设计癫痫预测方法的要求。大脑由四个不同的叶组成：额叶、顶叶、颞叶和枕叶。不同的大脑区域具有不同的功能[6]。因此，并非所有的EEG通道都对癫痫预测重要。使用较少的通道进行癫痫预测更适用于设计小型、低功耗的可穿戴癫痫预测设备[4][5]。因此，通道选择是设计高效癫痫预测设备的另一个重要因素。两个电极之间的电压差被视为一个通道。因此，个通道最多包含n个电极。研究表明，与通道选择相比，电极选择更为合适[7][8]。物联网（IoT）与医疗设备的结合被称为医疗物联网（IoMT）[9]。它提供了快速且经济有效的医疗服务。因此，实现基于IoMT的癫痫预测设备也是另一个重要要求。实现IoMT设备是癫痫预测中的另一个挑战性任务。IoMT设备可以作为边缘计算设备使用，在靠近数据源的地方进行处理，即使数据最终在云服务器上进行处理[9]。边缘计算设备在设备端处理和分析输入数据，从而实现最小化的延迟时间。
本文提出了一种高效的基于IoMT的癫痫预测模型。利用CNN-LSTM1D混合网络进行自动特征提取和分类。应用了一种电极选择算法来减少EEG通道的数量。最后，建议仅使用一个包含两个EEG电极的通道来进行高效的癫痫预测。一个通道非常适合设计轻量级的可穿戴设备。使用Raspberry Pi作为边缘设备，从EEG传感器收集数据。该边缘设备使用预先训练的CNN-LSTM1D网络测试输入的EEG数据，并提前发出警报，以便癫痫患者采取预防措施。它通过云服务器发送患者位置信息，并通知患者的亲友、医生和当地医院采取必要行动。本文的其余部分安排如下：第2节介绍相关研究；第3节详细说明所提出的方法；第4节展示实验结果；第5节对现有研究进行比较分析；最后第5节对所提出的方法进行总结。
相关研究
相关研究
在过去三十年中，关于癫痫预测的研究取得了大量进展。大多数研究工作采用了手工特征提取和机器学习技术。Ouyang等人[10]提出了一种利用EEG信号的模糊相似度指数来预测癫痫发作的方法；Bezobrazova等人[11]则专注于利用头皮EEG信号的相关维度来提前检测癫痫发作。
提出的方法
本文提出了一种高效的患者特定癫痫预测方法。该方法使用Python接口实现，深度学习网络采用TensorFlow库构建。使用了公开可用的CHB-MIT标准数据库，该数据库包含了波士顿儿童医院儿科癫痫患者的EEG记录[31]。所有EEG记录被分为二十三个案例。
结果与讨论
使用CHB-MIT数据集对所提出的模型进行训练、验证和测试。训练和验证在个人计算机上进行，而测试则在Raspberry Pi上进行。尽管Raspberry Pi设计用于处理实时EEG数据和云交互，但本研究中仅使用了预录的EEG数据，未收集实时传感器数据。本节分为四个部分：第一部分介绍性能指标；第二部分讨论...
结论与未来研究方向
本文提出了一种高效的基于IoMT的癫痫预测方法。该方法可以提前十分钟预测癫痫发作，足以让患者采取必要的预防措施，避免危及生命的情况。所提出的方法利用原始EEG信号进行预测。研究发现，与CNN1D和DenseNet1D模型相比，CNN-LSTM1D模型表现更好。应用了穷举搜索算法来选择电极...
CRediT作者贡献声明
Ranjan Jana： 方法论、数据整理、调查、软件开发、初稿撰写。Imon Mukherjee： 架构构思、监督、形式分析、审稿与编辑。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
