结合连续小波变换与生成对抗网络的癫痫发作预测

Epileptic Seizure Prediction Based on Continuous Wavelet Transform and Generative Adversarial Network

二维码有效期 120s

摘要目前半监督深度学习模型已成功用于脑电信号(EEG)的癫痫发作预测,但该模型在EEG预处理方式与半监督模型稳定性等方面还有提升空间.本研究提出一种结合连续小波变换(CWT)与基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)的改进方法(CWT-WGAN-GP).首先对未标记的EEG信号进行CWT获得时频图,并结合特定患者的EEG数据集训练WGAN-GP模型,生成高性能的特征提取器;其次,以经过训练的WGAN-GP的判别器为特征提取器、两个全连接网络层为分类器(预测器),用少量有标记的EEG信号CWT时频图完成分类模型训练;最后,WGAN-GP的判别器与稳定的全连接网络组成半监督深度学习预测模型,用于癫痫发作预测.用CHB-MIT头皮脑电数据集中所筛选的13例患者数据,评估改进的半监督癫痫发作预测模型,并与现有半监督方法相比.该方法在灵敏度、特异性、准确率和AUC指标上分别达到82.69％,67.48％,82.08％和84.03％,将原有的性能指标分别提升14.48％,34.45％,7.87％和11.4％;CWT-WGAN-GP的预测性能与现有方法的差异具有统计学意义(P＜0.05).CWT与WGAN-GP模型相结合能有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用.