检索历史 清除

摘要癫痫是一种广泛存在的疾病，对个人，家庭和社会产生诸多不利影响。基于头皮脑电（Electroencephalogram，EEG）的癫痫发作预测能够保障癫痫患者的人身安全，减轻患者的焦虑。从最初的人工预测，到基于机器学习的算法，再到基于深度学习的算法，大量癫痫发作预测方法被提出。然而，现有的预测方法往往只关注局部特征和短时依赖信息，无法捕捉EEG数据的全局特征和长时依赖信息。其次，现有的研究着力于不断提高模型的预测性能，忽视了模型的实用价值。复杂的模型结构和庞大的运算量使得这些算法难以部署在可移动预测设备上。最后，现有的方法大多是基于特定病人的，难以应用于新增病人的癫痫发作预测。因此，不依赖于患者的癫痫发作预测方法成为一个备受重视的研究领域。同时，如何在使用已标记病人数据训练模型的过程中保护患者隐私也是一个不可忽视的问题。<br>　　本文提出了三个研究方案以解决上述三个问题，主要研究内容如下：<br>　　（1）针对现有方法无法捕捉EEG数据的全局特征和长时间依赖信息的问题，本文提出了一种基于SwinTransformer（ST）和二维卷积神经网络（2DConvolutionalNeuralNetworks，2DCNN）的癫痫发作预测方法。将短时傅里叶变换（ShortTimeFourierTransform，STFT）提取的时频特征作为输入，使用ST模块来捕获EEG的全局特征和长时依赖信息。同时，采用2DCNN模块捕获局部特征和短期依赖信息。这两种模块的结合可以充分利用癫痫发作的相关信息，从而提高预测性能。我们在CHB-MIT数据集上进行了基于片段的患者特异的癫痫发作预测实验。癫痫发作预测的平均灵敏度、曲线下面积（AreaUnderCurve，AUC）和假阳性率（FalsePositiveRate，FPR）分别为92.94%、0.9556和0.073。<br>　　（2）针对现有方法计算量大，难以部署在可移动设备上的问题，我们基于有监督对比学习，提出了基于孪生网络（SiameseNetwork，SiaNet）和三分支网络（TripletNetwork，TriNet）的癫痫发作预测方法。对预处理后的数据进行短时傅里叶变换，构建数据元组并将其输入模型进行预测。两个网络都试图最小化同类样本之间的间隔，同时最大化异类样本之间的间隔。SiaNet和TriNet由多个权重共享的分支组成，可以通过相互对比的方式学习知识，进而学到具有判别能力的癫痫脑电特征。我们在CHB-MIT和Siena数据集上进行了基于片段的患者特异的实验，在35例患者数据上获得了良好的结果，同时两个模型的参数量都只有19.351K，推理时间只有13.27毫秒。<br>　　（3）针对现有方法泛化能力差，难以扩展到新病人的问题，本文提出了基于多私有源无监督域适应（MultiplePrivateSourceUnsupervisedDomainAdaptation，MPS-UDA）的癫痫发作预测方法。将多个已训练好的单一病人预测模型作为教师网络，采用无监督域适应的方式蒸馏出跨病人的学生模型，然后通过微调进一步优化模型。在整个训练过程中，不使用源域病人数据，并且无需标注目标域数据。该方法能够保护患者隐私安全，节约人工标记成本，同时提高模型对新样本的泛化能力。我们在CHB-MIT数据集上进行了基于事件的跨病人癫痫发作预测实验，获得的平均灵敏度、误报率和AUC分别为91.85%、0.52、0.6811。