一种结合NeRV（神经反应网络）、GAN（生成对抗网络）和解码器的新型特征到图像解码框架，用于从脑电图（EEG）信号中区分性地检测癫痫发作

《Biomedical Signal Processing and Control》：A novel feature-to-image decoding framework using NeRV, GAN, and decoder for discriminative epileptic seizure detection from EEG signals

癫痫发作检测基于EEG信号的人工智能混合模型研究。采用GAF方法将单通道EEG信号转换为图像，结合Transformer（PiT/PVT-v2）提取特征，通过解码器、GAN和NeRV生成不同视觉表示，并利用评分机制筛选代表性图像，最终采用随机森林分类器实现五类癫痫状态的检测。实验在Bonn EEG数据集上取得99.76%-99.81%的准确率，验证了跨模态特征融合的有效性。

　　

Mesut To?a?ar

土耳其埃尔拉泽省菲拉特大学经济与管理科学学院，管理信息系统系

摘要

癫痫是一种由大脑皮层神经元异常放电引发的神经系统疾病。这种状况可能导致永久性脑损伤和不可逆的结果。在这项研究中，提出了一种基于人工智能的混合模型，利用脑电图（EEG）信号来检测癫痫发作。本研究使用了公开可用的波恩EEG数据集。该数据集包含五种EEG状态，分别代表健康状态、发作前状态和发作状态。在提出的方法中，通过使用格拉米安角场（GAF）方法将EEG信号转换为图像格式，同时保留了它们的时间结构。基于GAF的图像簇使用基于变压器的模型（PiT、PVT）进行训练，以获得基于类别的特征列。从每个变压器模型获得的特征列使用三种不同的神经处理方法（Decoder、GAN、NeRV）重新编码为图像，以弥合与视觉可解释性相关的语义差距。采用了一种判别评分方法，从这些图像中选择最具代表性的图像（基于Decoder的、基于GAN的、基于NeRV的）。选定的代表性图像使用基于残差的随机森林方法进行分类，以检测癫痫发作类型。在实验分析中，防止信息泄露的选择步骤仅限于训练数据。实验中使用了保留法和交叉验证法。交叉验证技术的总体准确率为99.81%，保留法的总体准确率为99.76%。尽管实验结果非常显著，但所使用的数据集为结果提供了受控的比较标准。

引言

癫痫是一种以大脑皮层神经元突然且自发性反复发作为特征的神经系统疾病。癫痫的发生由多种因素引起，如遗传倾向、环境因素和大脑结构异常。研究表明，许多类型的癫痫是由于特定的基因突变引起的[1]。这种疾病可以发生在所有年龄组，全球有超过7000万人受到影响[2]。经历癫痫发作的个体可能会失去意识并表现出行为变化；这种情况可能导致跌倒、受伤，在极少数情况下甚至会导致死亡。然而，如果患者能够及时得到有效的诊断和治疗，大约70%的癫痫患者可以无发作地过上正常生活[3]。

在癫痫的诊断中，使用了诸如磁共振成像（MR）、正电子发射断层扫描（PET）和脑电图（EEG）等成像和信号分析方法。在这些方法中，EEG因其低成本和高时间分辨率而脱颖而出[4]。EEG信号中的功率变化是区分癫痫发作存在与否的有效指标。特定于癫痫的EEG记录在某些频带显示出更高的能量水平，在发作期间，这种能量比无发作期间显著增加[5]、[6]。EEG信号中通道数量有限，从而限制了可以从相关通道获得的特征/信息的范围。一些系统能够通过单个通道分析EEG信号。从方法论的角度来看，这使得基于单通道EEG的发作检测系统的发展成为前沿。这类方法的成功取决于它们从有限信息中提取判别特征的能力。这与临床解决过程不同，被认为是一个具有挑战性的研究问题。在传统的分析方法中，EEG数据通常通过在时间域或频率域提取特定特征来进行分类。然而，选择提取哪些特征是一个直接影响检测成功的关键因素，因此高度依赖于专家知识。随着人工智能（AI）技术的最新进展，这一过程增加了一个新的维度；现在可以自动从信号中学习有意义的结构，而无需手动特征提取[7]。这不仅提高了准确率，还为可以在更复杂的癫痫检测场景中使用的系统铺平了道路。

文献中有许多研究使用EEG数据来检测癫痫发作。以下是一些相关研究的综述：Yogarajan等人开发了一个系统，该系统可以利用EEG信号中的对称性和不对称性特征自动检测癫痫发作（三类别数据集）。在他们的方法中，使用平稳小波变换（SWT）分离EEG信号，并从获得的数据中提取了九种不同的统计量。在特征选择阶段，使用二进制蜻蜓算法来识别最有意义的特征。这些选定的特征使用深度神经网络（DNN）进行分类，实现了100%的总体准确率[8]。Abdulwahhab等人提出了一种双输入深度学习模型，通过处理EEG信号来检测癫痫发作。原始EEG数据被输入到卷积神经网络（CNN）中，而时频图像被输入到长短期记忆（LSTM）网络中。使用连续小波变换（CWT）生成频谱图，使用短时傅里叶变换（STFT）生成频谱图。所提出的方法实现了99.57%的准确率[9]。Wang等人开发了一种基于CNN-LSTM的混合深度学习模型，用于分类三类别的EEG数据以检测癫痫。该模型直接从EEG信号中学习，无需手动预处理，实现了98%的准确率[10]。Tchinda等人设计了一种基于CNN的方法，通过将EEG信号转换为对数梅尔频谱图来检测癫痫发作。这种方法将EEG数据转换为视觉表示，并使用深度学习模型进行分析，实现了五类别98.13%的准确率和三类别99.60%的准确率[11]。Al-Adhaileh等人比较了不同机器学习（随机森林、梯度提升、kNN）和深度学习方法使用EEG数据（两类）在检测癫痫发作方面的性能。从SMOTE平衡的数据集中提取了频带和频谱熵等特征，随机森林（RF）方法取得了最成功的结果，准确率为99.9%[12]。Grubov等人开发了一种两阶段级联CNN架构，以降低癫痫发作检测中的误报率。EEG数据使用CWT方法转换为时频域，设计了第二个称为“Error-aware CNN”的网络来学习第一个模型的错误。尽管这种结构的灵敏度较低（86.27%），但在F1分数方面表现更好（66.17%），从而实现了更高的总体准确率[13]。

尽管文献中引用的研究在基准数据集上取得了高准确率，但这些结果通常受到数据集特征的影响，例如预定义的分区策略、有限的受试者变异性和受控的记录条件。此外，在EEG信号的预处理阶段广泛使用了各种变换技术（CWT、STFT等）。然而，在这项研究中，与文献不同，新一代技术被整合到了预处理、模型训练和后处理步骤中。因此，目标是在检测多类别癫痫发作类型方面取得显著的成功。这项研究的实验分析是在一个包含单通道EEG数据的公开可用基准数据集上进行的。因此，研究结果突出了所提出方法的方法论有效性，并不直接代表临床普遍性。

最近的生物医学AI研究不仅关注高性能，还关注可靠评估、鲁棒性和实际应用等问题。这样的分析不仅在基准数据集上取得了良好的结果，还通过精心设计的评估过程、可重复性分析和系统级验证得到了证明[14]。例如，在提供高准确率的基于变压器的医学成像流程中，还进行了严格的评估协议、透明机制和消融分析，以支持可靠的决策。此外，还直接考虑了模型可解释性、计算复杂性和实时适用性等参数[15]、[16]。例如，在考虑安全性时，基于CNN-变压器的混合方法对于关键诊断应用非常重要，它们强调了不确定性敏感的评估、鲁棒的统计验证和可解释性的重要性，以及它们声称的高性能。最终，仅凭准确率不足以评估基于临床的研究。此外，必须以结构化的方式分析构成模型的组件的贡献，以评估其鲁棒性和系统可靠性[17]。本文通过基于组件的分析和受控的实验设计来评估这一点。所提出的混合模型对文献的贡献如下：

•

与传统的时频表示（CWT、STFT等）不同，格拉米安角场（GAF）技术被应用于数据集（EEG信号），以基于角度和几何关系获得2D图像，从而为有效使用基于2D的变压器架构铺平了道路。

•

在分类过程之前，使用PiT和PVT-v2变压器模型获得基于类别的特征集；这减少了冗余特征并增强了多类别癫痫发作分类的判别能力。

•

基于类别的数值特征使用深度生成方法（Decoder、GAN和NeRV）转换为代表性的2D图像。这确保了空间一致性，使得具有不同神经结构的重编码机制之间可以进行一致比较，并支持选择具有判别性的代表。

•

使用判别评分机制从生成方法获得的图像中选择最具信息量的图像表示；从而防止模型在低质量或无关的表示上进行训练。

本文的其余部分结构如下：第二节详细介绍了使用的数据集和方法论方法。第三节介绍了实验研究和获得的结果。第四节评估了结果，并与文献进行了比较和解释。最后，第五节提出了总体结论和对未来工作的建议。

数据集

本研究中的实验分析使用的是来自波恩大学的公开可访问的EEG癫痫数据。在Kaggle网站上使用的该数据集[18]与原始波恩数据集相同，不包括任何复制、额外过滤、分割、重采样等操作。本研究使用的EEG数据集包含五个子组（F、N、O、S和Z），代表不同的大脑活动状态。

实验设置

实验分析使用Python编程语言和Jupyter Notebook界面进行。分析过程中使用了一台配备32 GB RAM、3.2 GHz处理器和10 GB显卡的计算机。表2中列出了所提出的混合方法中使用的一些重要模型和技术参数及其对应的值。对于未指定的其他方法，使用了默认参数设置。所有选择和评分操作都在

讨论

本研究开发的混合AI模型为当前癫痫发作诊断中遇到的挑战提供了有效且全面的解决方案。系统的每个子组件都进行了独立评估，以揭示它们对诊断准确性的贡献。实验结果清楚地表明，基于AI的现代方法在克服传统方法的局限性方面具有显著优势。

结论

本研究检查了基于EEG的癫痫发作类型数据，并表明多学科方法可以为早期诊断做出有意义的贡献。传统癫痫诊断方法的局限性使得难以检测疾病的早期发作，这可能会延迟早期干预并延长治疗过程。为了解决这个问题，所提出的基于AI的混合模型旨在通过结合新一代技术来实现更成功的结果

CRediT作者贡献声明

Mesut To?a?ar：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，软件，方法论，调查，数据管理，概念化。

伦理批准

不适用。

资金

本文没有资金来源。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些可能会影响本文报告的工作。