基于EEG信号的卷积神经网络在癫痫检测中的应用价值研究

目的 探讨基于脑电图(Electroencephalogram,EEG)信号的卷积神经网络在癫痫检测中的应用价值。方法 本研究使用了来自癫痫EEG信号数据CHB-MIT数据库中的8例患者的EEG信号; EEG信号分为3类:发作间期、发作前期(发作前持续时间至10 min)和癫痫发作期状态; 开发了一种基于迁移学习和功率谱密度能量图的深度卷积神经网络(Deep convolutional neural network,DCNN)的癫痫EEG信号分类方法(EEG signal classification method,EEGC),并对癫痫状态进行分类; 将在线硬示例挖掘(Online hard example mining,OHEM)损失函数集成到EEGC方法中以获得较高的分类准确率。结果 本研究提出的EEGC方法对癫痫状态分类的准确度较高,但发作前期没有像其他两种状态那样准确分类; 当将OHEM损失函数集成到EEGC方法中时发作前期的分类准确度提高了3%,并且它对3种癫痫状态(发作间期、发作前期和癫痫发作)的分类具有很高的敏感度(97.8%、93.6%和95.8%)和特异度(99.2%、97.1%和99.3%)。结论 本研究提出的EEGC方法具有较高的癫痫状态分类准确率,可辅助临床医生了解患者癫痫状态的类别,从而有效地预防和治疗癫痫。