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 exam-ple 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O H EM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.