基于头皮脑电的癫痫分类

根据百度百科，癫痫(epilepsy)即俗称的“羊角风”或“羊癫风”，是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。据中国最新流行病学资料显示，国内癫痫的总体患病率为7.0‰，年发病率为28.8/10万，1年内有发作的活动性癫痫患病率为4.6‰。据此估计中国约有900万左右的癫痫患者，其中500～600万是活动性癫痫患者，同时每年新增加癫痫患者约40万，在中国癫痫已经成为神经科仅次于头痛的第二大常见病。

头皮脑电(EEG)经常被用来确定是否有癫痫，以及癫痫的类型。因为通过医生手工来对EEG信号做标注非常费时费力，人们研究了通过机器学习方法来自动从脑电信号中检测癫痫。很多方法，如决策树、朴素贝叶斯、支持向量机、线性判别分析、深度学习等，都被使用过。

机器学习比手工标注速度快，一致性更好。然而，其准确率可能会有问题。一个重要原因是很多机器学习模型的假设是训练数据和测试数据的分布是一致的，然而在实际中并非如此。对于脑电信号这种个体差异大的生理信号，数据分布不一致的问题尤其突出。解决这个问题的一种方法是迁移学习，这也是目前研究很活跃的机器学习方向之一。

研究人员在2017年的研究使用大间隔投影迁移学习方法来进行基于头皮脑电的癫痫离线分类。

研究者进一步考虑了如下两个问题：

1）如何提高模型的可解释性；

2）如何利用包含在未标注的测试数据中的信息来提高分类效果。

针对对第一个问题，研究者使用TSK模糊系统。针对第二个问题，研究者采用半监督学习来解决。

最终，研究人员提出了基于半监督迁移学习TSK模糊系统，并取得了优秀的分类效果。该项工作与江南大学蒋亦樟教授、邓赵红教授、钱鹏江教授、王士同教授，以及香港理工大学G. Wang, F-L Chung教授和K-S Choi教授合作(主要工作由合作者完成)，文章发表于IEEE Trans. on Neural Systems and Rehabilitation Engineering：

为提高基于头皮脑电的癫痫分类精度，华中科技大学伍冬睿教授领导的研究小组在最近的研究中提出了深度多视图(时域，频域，时频域)脑电特征提取方法用于癫痫分类，如下图所示：

其中时域、频域和时频域的深度学习特征提取方法如下图所示：

这些特征最终通过多视图TSK模糊系统进行分类。与江南大学Xiaobin Tian、邓赵红教授、王士同教授、Bin Qi、Jun Wan，常熟理工大学Wenhao Ying教授，香港理工大学K-S Choi教授合作，以及上海交通大学Hongbin Shen教授合作(主要工作由合作者完成)，文章发表于IEEE Trans. on Neural Systems and Rehabilitation Engineering：

论文参考

Y. Jiang, D. Wu, Z. Deng, P. Qian, J. Wang, G. Wang, F-L Chung, K-S Choi and S. Wang, “Seizure classification from EEG Signals using transfer learning, semi-supervised learning and TSK fuzzy system,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, 25(12), pp. 2270-2284, 2017.

X. Tian, Z. Deng, K-S Choi, D. Wu, B. Qin, Jun Wan, H. Shen and S. Wang, “Deep multi-view feature learning for epileptic seizure detection,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, 2019.

排版：羽化

文章仅用于学术交流，不用于商业行为，

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

你的每一次在看，我都很在意！