基于协方差信息和1D CNN的脑电癫痫检测研究

癫痫是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。临床上主要由专业的神经科医生通过对患者的脑电图(Electroencephalogram,EEG)信号的人工分析来检测癫痫疾病,这种方法耗时长、效率低,且对神经科医生专业技术水平要求极高。及时并准确地检测癫痫对于使用抗癫痫药物治疗起到至关重要的作用,因此设计癫痫自动检测方法的意义重大。提出了一种结合协方差信息和深度学习的方法:计算EEG的协方差矩阵,并将结果展开成向量,保留EEG信号的可分信息,再使用1维卷积神经网络(1D Convolutional Neural Networks,1D CNN)检测癫痫发作。使用CHB-MIT数据集进行两种实验,即癫痫发作间期vs癫痫发作前期和癫痫发作间期vs癫痫发作前期vs癫痫发作期,以验证该方法的可行性。其中,癫痫发作间期vs癫痫发作前期实验的准确率、灵敏度、精密度、特异度和F1-分数的平均值分别为99.36%、98.81%、99.59%、99.16%和99.19%;癫痫发作间期vs癫痫发作前期vs癫痫发作期实验的平均准确率可以达到98.98%。因此证明该方法可以应用于癫痫检测。