基于脑电图时间-频率表示与深度学习架构的癫痫类型自动分类研究

《BioData Mining》：Deep learning-based EEG seizure classification using comparative time–frequency spectral representations

　　

摘要

利用脑电图（EEG）进行癫痫的自动预测和分类仍是一项具有挑战性的任务，原因在于癫痫模式固有的复杂性和显著的被试间差异。为解决这些挑战，我们探索了利用脑电信号的一维时间-频率表示来增强癫痫类型分类的有效性。在本研究中，我们采用了来自坦普尔大学医院（TUH v2.0.1）数据集的对应于背景活动、局灶性癫痫和全面性癫痫的EEG数据。EEG信号首先经过预处理和分段。然后，每个分段分别使用三种技术转换为一维时间-频率图像：短时傅里叶变换（STFT）、梅尔频谱图和连续小波变换（CWT）。我们开发并评估了九种深度学习架构用于癫痫分类：AlexNet、VGGNet、可配置卷积神经网络（cCNN）、可配置循环神经网络、可配置长短期记忆网络、卷积神经网络-长短期记忆网络、卷积神经网络-双向长短期记忆网络、残差双向长短期记忆网络以及Swin Transformer。所有模型均采用嵌套10折交叉验证进行评估，并使用准确率、精确率、召回率、F1分数、假阳性率和曲线下面积等标准性能指标进行评价，同时报告标准差和95%置信区间。实验结果表明，基于CWT的表示配合cCNN达到了77.22% ± 5.68%的准确率，95%置信区间为[73.32, 80.55]，而梅尔频谱图配合AlexNet达到了79.83% ± 2.81%的准确率，95%置信区间为[78.20, 81.41]。总之，基于梅尔的时间-频率特征与AlexNet模型以及CWT与cCNN模型的组合被证明是对癫痫类型分类最有效的。这些结果表明，深度学习与时间-频率分析可以为开发可靠的基于EEG的癫痫分类系统做出贡献。