检索历史 清除

摘要癫痫是一种常见的神经性疾病，其发病原因是大脑神经细胞异常放电所导致的神经系统短暂性紊乱，其危害巨大，潜藏着致命的伤害。在传统的癫痫病诊断中，医生凭借其专业技能，通过对脑电图（Electroencephalogram，EEG）的分析来进行癫痫诊断，但人工检测的方法存在费时费力的弊端，因此，新兴的自动癫痫检测技术成为了研究热点。<br>　　论文利用基于深度学习的癫痫检测算法来实现EEG的自动分析。研究表明，各个脑区释放的电信号存在空间上的协同反应，各个脑区之间互相影响、互相联系。因此，挖掘脑区之间的这种空间联系对于癫痫检测算法的研究有很大帮助，然而在过去的研究中往往忽视了这一点。同时，现有的自动癫痫检测技术在未知患者的应用上存在性能大幅衰减的现象，这些问题的出现一定程度上影响了自动癫痫检测技术的落地应用。<br>　　论文针对自动癫痫检测技术存在的问题，提出相应的解决方案，以便辅助医生进行诊断，保护病人生命健康，主要研究内容如下：<br>　　（1）针对癫痫脑电信号的各个通道数据之间的空间关系利用不足的问题，提出了基于图注意力网络和焦点损失的癫痫自动检测模型。该模型将原始脑电信号的数据通道按照相关性转换为图结构，图结构与通道数据共同作为训练数据，模型通过一个前馈神经网络按照自注意力机制进行特征图更新。同时，针对脑电数据存在的正负样本不平衡问题导致的分类决策偏差，使用焦点损失函数平衡样本关系。通过在公开数据集CHB-MIT上的测试，该方法的平均准确率为98.89%，平均敏感性为97.10%，平均特异性为99.63%，平均F1分数为98.33%，平均AUC为99.06%。这项工作拓宽了图结构在癫痫检测的应用研究领域以及对不平衡数据的应对策略。<br>　　（2）针对自动癫痫检测技术在未知患者的应用上存在性能大幅衰减的问题，论文在第一项研究内容的基础上，进一步研究跨患者癫痫发作自动癫痫检测，提出了基于信息瓶颈归因的多视图跨患者癫痫自动检测模型。该模型利用多维数据特征，提取频域以及时频域的人工特征，将其与原始信号结合，利用对抗学习框架进行特征学习。通过生成器与判别器以及重构信号约束获取通用的癫痫发作特征，进而实现在未知患者上的癫痫发作检测。同时，在模型中引入信息瓶颈归因增强模型的可解释性，提高模型预测的可信度。通过在公开数据集CHB-MIT和TUHEEG上的测试，该方法的平均准确率为76.36%，平均敏感性为77.42%，平均特异性为76.32%，平均F1分数为76.12%，平均AUC为82.07%。这项工作拓宽了自动癫痫检测技术在未知患者的应用研究以及对模型可解释性的应对策略。<br>　　综上所述，论文的两项工作内容，围绕自动癫痫检测技术，针对研究过程中发现的问题，提出了行之有效的方法，有助于癫痫治疗过程中的辅助诊断，为自动癫痫检测技术的发展提供了新的思路。