癫痫发作预测模型:斯托克韦尔变换的生成对抗与长短时记忆网络半监督方法

目的提出一种半监督癫痫发作预测模型(ST-WGAN-GP-Bi-LSTM预测模型),从脑电(EEG)信号的时频分析、无监督特征模型稳定性以及后端分类器设计三个方面提升发作预测性能。方法对癫痫EEG信号进行斯托克韦尔变换(ST变换)得到时频输入,通过自适应调节分辨率和保留绝对相位,定位癫痫EEG信号的时频成分;当生成数据分布和真实EEG数据分布无重叠时,为了避免JS散度均为常数而导致特征学习失效的问题,采用Wasserstein生成对抗网络作为特征学习模型,以EM距离结合梯度惩罚策略(WGAN-GP)引导的代价函数,约束模型的无监督训练过程,进而生成高阶特征提取器;构建基于双向长短时记忆网络(Bi-LSTM)的时序预测模型,在获取高阶EEG时频特征间时序相关性基础上提升癫痫分类(预测)性能。利用公开数据集CHB-MIT头皮脑电数据集对本文提出的ST-WGAN-GP-Bi-LSTM预测模型进行评估。结果本文的ST-WGAN-GP-BiLSTM预测模型在AUC、灵敏度和特异性指标上分别达到90.40%,83.62%和86.69%。与现有半监督方法相比,将原有的性能指标分别提升17.77%,15.41%和53.66%,并与基于CNN的有监督预测模型性能持平。结论本方法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。