Abstract
近年来，采用脑电波进行癫痫发作检测得到了学术界的广泛关注，而用于癫痫发作检测的脑电波数据存在数据采集困难、发作样本少等问题，在训练样本量不足的情况下采用深度学习容易产生过拟合现象。为了解决此问题，本文以美国波士顿儿童医院的癫痫脑电数据集为研究对象，将小波变换用于数据增强，通过设置不同的小波变换尺度因子来生成相应的数据，达到成倍增加训练样本的目的；另外，在模型设计方面，本文结合深度学习、集成学习和迁移学习等方法，提出在训练样本量不足的情况下针对特定癫痫患者的具有较高检测准确率的癫痫检测方法。在测试中，本文分析了以小波变换尺度因子为2、4、8时的癫痫发作检测实验结果，在小波尺度因子为8时，平均准确率、平均敏感度、平均特异性分别为95.47%、93.89%和96.48%；另外，通过与近期相关文献进行对比，验证了本文方法具有一定的优越性。本研究结果可为癫痫检测的临床应用提供借鉴。
Keywords: 癫痫发作, 脑电信号, 集成方法, 深度学习, 迁移学习
Abstract
In recent years, epileptic seizure detection based on electroencephalogram (EEG) has attracted the widespread attention of the academic. However, it is difficult to collect data from epileptic seizure, and it is easy to cause over fitting phenomenon under the condition of few training data. In order to solve this problem, this paper took the CHB-MIT epilepsy EEG dataset from Boston Children's Hospital as the research object, and applied wavelet transform for data augmentation by setting different wavelet transform scale factors. In addition, by combining deep learning, ensemble learning, transfer learning and other methods, an epilepsy detection method with high accuracy for specific epilepsy patients was proposed under the condition of insufficient learning samples. In test, the wavelet transform scale factors 2, 4 and 8 were set for experimental comparison and verification. When the wavelet scale factor was 8, the average accuracy, average sensitivity and average specificity was 95.47%, 93.89% and 96.48%, respectively. Through comparative experiments with recent relevant literatures, the advantages of the proposed method were verified. Our results might provide reference for the clinical application of epilepsy detection.
Keywords: Epileptic seizure, Electroencephalogram signal, Ensemble approach, Deep learning, Transfer learning
引言
癫痫（epilepsy）俗称“羊角风”或“羊癫风”，是由大脑神经元突发性异常放电导致短暂大脑功能障碍的一种慢性疾病。癫痫患者分布广泛，在全球范围内大约有6 500万患者；据中国最新流行病学资料显示，中国有900万左右癫痫患者，国内癫痫的总体患病率为7.0‰，年发病率为28.8/10万，1年内有发作的活动性癫痫患病率占国内癫痫总量的4.6‰，癫痫已经成为仅次于头痛的第二大神经系统疾病。癫痫发作的临床表现复杂多样，可表现为意识障碍、四肢痉挛、大小便失禁、吐白沫等症状，虽然癫痫发作短期内对患者没有多大的影响，但是长期频繁的发作会对患者的身心和智力产生严重影响[1-3]。
脑电图（electroencephalogram，EEG）[4]是一种使用电生理指标记录大脑活动的方法。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。近年来，采用EEG进行癫痫发作检测得到了学术界的广泛关注，研究方法主要包括机器学习和深度学习。其中，机器学习是对EEG信号进行特征提取（包括时域特征、频域特征、时频域特征、非线性特征等），然后采用支持向量机（support vector machine，SVM）[5]、线性判别分析（linear discriminant analysis，LDA）[6]、朴素贝叶斯（Naive Bayes，NB）[7]、逻辑回归（logistic regression，LR）[8]、随机森林（random forest，RF）[9]等方法进行分类，该类方法依赖先验知识进行特征设计和提取，计算量较大。深度学习是将大量的数据输入到深度神经网络中进行训练，然后用训练好的神经网络模型对新数据进行分类和预测，该方法在训练样本量相对较少的情况下，由于模型提取训练样本数据特征过于精确，导致该模型在测试集上效果差，容易产生过拟合现象。为了消除或缓解模型过拟合，科研工作者借鉴了图像识别任务中通用的数据增强方法[10-11]和迁移学习，取得了一定的效果。但在癫痫检测任务中，由于癫痫脑电数据具有时变性和患者间数据差异较大，导致直接采用应用于图像处理的数据增强和迁移学习方法达不到预期消除过拟合问题的效果。
目前，采用数据增强来改进和优化癫痫检测方法的文献相对较少，本文分析的文献范围扩展到采用EEG脑电信号进行情感识别、运动想象等相近文献。Wang等[12]在情感识别任务中，对原始EEG数据进行随机加噪，以达到增加训练样本量的目的，提高了网络的准确率和鲁棒性；Fahimi等[13]采用生成对抗网络产生人工数据，在运动想象任务中将测试结果提升了7.32%；Krell等[14]在脑机接口任务中将EEG数据进行旋转形成新样本，提升了模型性能；Wei等[15]在癫痫检测任务中采用生成对抗网络生成训练样本数据，采用卷积神经网络取得了72.11%的平均敏感度、95.89%的平均特异性和84%的平均准确率；Zhang等[16]采用迁移学习，将预先训练好的ImageNet网络参数迁移到VGG16、VGG19和ResNet50网络中，在美国波士顿儿童医院的癫痫数据集上实现VGG16网络97.95%的准确率、VGG19网络98.26%的准确率和ResNet50网络96.17%的准确率；Jiang等[17]采用迁移学习、半监督学习等方法，在标注样本数不足的情况下，在德国波恩癫痫数据集上取得了很好的效果。综上所述，以上文献中所报道的工作在训练样本量较少时模型性能取得了一定提升，但由于EEG信号具有时变性和不稳定性，单纯借鉴图像领域中的数据增强方法生成的数据与原数据不相关，借鉴图像领域中的迁移学习思想存在训练数据集选择困难等问题，因此，在训练样本数量有限的情况下，为了避免过拟合现象，提高网络检测精度，需要探索新的数据增强方法。
1. 本文提出的方法
1.1. 方法概述
为了在训练样本有限的条件下实现高精度的癫痫检测，本文提出的方法采用连续小波变换对训练样本进行数据增强。该方法包括3个组成部分：数据预处理、多尺度小波变换和基于多尺度的深度集成学习网络。其中，在数据预处理中，对数据采用正则化进行处理，并以固定长度进行数据分段，以便于后期数据处理；在多尺度小波变换中，采用连续小波变换，分别对每个分段数据中的每个通道数据进行连续小波变换，然后将变换后的数据按小波变换尺度对数据进行整合；在基于多尺度的深度集成学习网络中，采用长短时记忆网络（long short-term memory，LSTM）和卷积神经网络（convolutional neural networks，CNN）相结合的网络结构，并借鉴迁移学习、集成学习等方法，实现癫痫发作和正常数据的分类。整个算法的执行流程如图1所示。
图 1.
Flow chart of epilepsy detection model based on data augmentation and deep ensemble learning
基于数据增强和深度集成学习的癫痫检测模型流程图
1.2. 数据预处理
为了提高算法检测准确率，本文采用min-max正则化技术[18]对脑电数据进行正则化处理，被正则化处理后的数据为0 ~ 1之间。min-max正则化方法如下式所示：
 |
1 |
其中，
为原始数据，
为数据正则化后的数据，
和 
为原始数据中的最小值和最大值。
对脑电数据正则化后，为了便于提取EEG数据特征，对脑电数据进行分段处理。在处理过程中，所有通道数据都被选取，在时间维度上，按照1 s为一个数据分段长度对数据进行分段，取完一段数据后滑动1 s取下一个数据段，当最后一段数据中采样点不足256个点时，该分段数据被舍弃。对于数据段的标注，当截取的数据段在癫痫发作数据中，此分段数据标注为1，当截取的数据段在正常数据中，此分段数据标注为0。
1.3. 小波变换与数据整合
由于连续小波变换具有多分辨特性，本文提出的方法选择适当的小波尺度与母小波对截取的数据段按通道分别进行连续小波变换，从而获得原始信号在时频域上的有效表征信号[19]，连续小波变换如下式所示：
 |
2 |
式中，WT表示小波变换，
为原始信号；a（a > 0）、b分别为尺度参数和位移参数；
为子波，是对母小波的缩放和位移。
通过对原始信号
作连续小波变换，相当于将
投影到二维的时间-尺度平面上，在小波变换中，尺度类似于地图中的比例尺，大的比例对应信号的全局概略描述，小的比例则对应信号的细节性描述。本文提出的方法考虑到连续小波变换中不同尺度对应的分辨率，通过对连续小波变换后的数据按小波尺度进行整合，产生多个与变换前相似但也存在一定差异的数据。具体而言，选取合适小波尺度和小波基函数，将包含23个通道的时域信号按通道分别进行连续小波变换，得到23个时间-尺度上的2维数据，然后将23个2维矩阵按小波尺度进行重构，相同尺度对应的数据合并得到新的2维矩阵。通过选择不同的小波变换尺度k，可将原始数据量通过连续小波变换和重组操作后扩大k倍，达到数据增强的目的，从而缓解训练样本量不足的问题。
1.4. 运用迁移学习的LSTM+CNN网络
为了实现对癫痫发作数据和正常数据的分类，考虑到变换后的数据为2维矩阵，可看成图像进行处理，且该数据仍然具有时间特性，因此，采用在时间序列数据表现优异的LSTM网络和擅长图像特征识别的CNN网络。其中，LSTM网络采用2层LSTM网络充分提取时间序列的特征信息，网络结构采取LSTM + CNN混合网络结构，如图2所示。
图 2.
LSTM+CNN network
LSTM+CNN网络
为了充分挖掘数据特性，本文提出的方法以数据增强为基础，采用迁移学习思想，提升网络整体性能。具体如下：经过连续小波变换和数据重构后为k路数据（k为小波变换尺度），分别输入到k路神经网络中进行训练，小波变换尺度1对应的第1路数据输入LSTM + CNN网络1进行训练，并将LSTM + CNN网络1的网络参数传递给LSTM + CNN网络2，小波变换尺度2对应的第2路数据输入LSTM + CNN网络2中进行训练，并将LSTM + CNN网络2的网络参数传递到下一级网络，依次类推，完成整个训练过程。迁移学习工作流程如图3所示。
图 3.
Workflow of transfer learning
迁移学习工作流程
1.5. 集成学习
为了进一步提升深度学习模型的性能，Akyol[20]和杨泽鑫[21]将集成学习思想应用于癫痫发作检测中，取得了不错的应用效果。由于本文方法中提到的深度学习网络有k个分支，各分支网络为独立的同质网络，因此，为了提升网络性能，本文借鉴集成学习思想，将各分支的输出结果进行加权平均，如式（3）所示：
 |
3 |
其中，
为权重，
为第i个分支网络的预测结果，
为所有分支网络的参数。
通过将各分支网络的输出进行加权平均，从而得到性能更优、泛化能力更强、稳定性更高的网络模型。
2. 实验设计
2.1. 实验数据集
本文使用美国波士顿儿童医院的癫痫头皮脑电图数据集（https://physionet.org/content/chbmit/1.0.0/）[22]，此数据集包含23名患者的24个连续头皮脑电记录。其中第1个和第21个记录来自同一名患者，第24个记录未提供个人相关信息。该数据集采用国际通用的10-20 EEG电极位置和命名系统，信号采样频率为256 Hz，分辨率为每秒16比特。在数据集中，大多数记录采用23个通道，为便于研究，本文只保留包含23个通道的脑电数据，通道数小于或大于23的记录将被舍弃，第12、15记录的通道数量不满足本实验要求，因此，第12、15记录的数据被舍弃。
表1为美国波士顿儿童医院的癫痫头皮脑电图数据集中所有记录的个人信息、发作次数，以及按实验设置最终生成的癫痫发作样本数量。
表 1. CHB-MIT scalp EEG dataset information table.
美国波士顿儿童医院癫痫头皮脑电数据集信息表
| 记录编号 | 性别 | 年龄/岁 | 发作次数 | 癫痫发作样本数/个 （按 256 个采样点 滑动截取，无重叠） |
| 1 | 女 | 11 | 7 | 440 |
| 2 | 男 | 11 | 3 | 172 |
| 3 | 女 | 14 | 7 | 400 |
| 4 | 男 | 22 | 4 | 376 |
| 5 | 女 | 7 | 5 | 560 |
| 6 | 女 | 1.5 | 10 | 140 |
| 7 | 女 | 14.5 | 3 | 324 |
| 8 | 男 | 3.5 | 5 | 916 |
| 9 | 女 | 10 | 4 | 276 |
| 10 | 男 | 3 | 7 | 444 |
| 11 | 女 | 12 | 3 | 804 |
| 13 | 女 | 3 | 10 | 440 |
| 14 | 女 | 9 | 8 | 168 |
| 16 | 女 | 7 | 8 | 68 |
| 17 | 女 | 12 | 3 | 292 |
| 18 | 女 | 18 | 6 | 316 |
| 19 | 女 | 19 | 3 | 236 |
| 20 | 女 | 6 | 8 | 292 |
| 21 | 女 | 13 | 4 | 196 |
| 22 | 女 | 9 | 3 | 204 |
| 23 | 女 | 6 | 7 | 424 |
| 24 | － | － | 16 | 511 |
| 合计 | － | － | 134 | 7 999 |
因每个记录文件所包含的癫痫发作次数和时长不同，在实验样本选取时，采用256个采样点为截取窗口，滑动截取步长为256，在癫痫发作数据中截取后生成的数据段作为正样本，在发作数据前截取与正样本数据长度一致的数据作为正常数据，并滑动截取后生成负样本，最终形成样本集。在训练过程中，样本集按80%∶10%∶10%分为训练集、验证集和测试集。
2.2. 实验环境
本文的实验环境为：CentOS 7.8操作系统，编程语言采用的是Python3.7.4，深度学习框架为Pytorch（其版本为11.1）。显卡为：GeForce RTX 2080 Ti。
2.3. 实验参数
本实验采用LSTM+CNN网络结构，训练轮次设置为50次，数据批处理大小设置为32。使用交叉熵损失函数和中心损失函数联合作为损失函数，模型使用Adam优化器，学习率设置为0.001，中心损失函数使用随机梯度下降（stochastic gradient descent，SGD）优化器进行优化，学习率设置为0.05。输入神经网络的数据为（32，23，256），LSTM设置为双层LSTM网络，CNN网络卷积层卷积核尺寸设置为（3，1），dropout为0.3。另外，在集成学习中，各分支权重设置为1。
2.4. 评估指标
实验使用准确率（accuracy，ACC）、敏感性（sensitivity，SN）和特异性（specificity，SP）对算法的性能进行量化分析。
准确率ACC定义为分类正确的样本占所有样本的比例，计算公式为：
 |
4 |
敏感性SN定义为分类正确的正样本占所有正样本的比例，即正确判断为患病的比例，计算公式为：
 |
5 |
特异性SP定义为分类正确的负样本占所有负样本的比例，即正确判断为非患病的比例，计算公式为：
 |
6 |
其中，TP（true positive，真正值）：样本被判定为正样本，事实上也是正样本；TN（true negative，真负值）：样本被判定为负样本，事实上是负样本；FP（false positive，假正值）：样本被判定为正样本，但事实上是负样本；FN（false negative，假负值）：样本被判定为负样本，但事实上是正样本。
3. 测试结果和分析
本文在训练样本数量有限的前提下，采用连续小波变换对原始数据进行数据增强处理，并以小波尺度值来控制数据增强的数量，以减少深度学习网络模型在训练和测试过程中的过拟合现象，实现提高检测精度和网络稳定性的目的，因此，有必要研究分析不同的尺度因子对实验结果的影响。在实验中，本文选择小波尺度因子为2、4、8进行数据增强，并对各个患者在不同小波尺度因子情况下的结果进行对比分析，测试结果如表2所示。
表 2. Test results when wavelet scale factor is 2, 4, 8.
小波尺度因子为2、4、8时的测试结果
| 记录编号 | 尺度因子 = 2 | 尺度因子 = 4 | 尺度因子 = 8 | ||||||||
| 准确率 | 敏感度 | 特异性 | 准确率 | 敏感度 | 特异性 | 准确率 | 敏感度 | 特异性 | |||
| 1 | 93.20% | 95.27% | 90.21% | 97.20% | 97.65% | 96.55% | 95.80% | 97.90% | 92.70% | ||
| 2 | 92.65% | 91.21% | 91.30% | 94.20% | 93.94% | 94.44% | 95.65% | 97.06% | 94.29% | ||
| 3 | 94.12% | 92.51% | 90.22% | 97.84% | 98.86% | 96.08% | 98.13% | 96.25% | 94.23% | ||
| 4 | 92.11% | 90.17% | 92.41% | 94.39% | 98.68% | 83.87% | 96.26% | 95.83% | 97.14% | ||
| 5 | 93.13% | 92.32% | 91.56% | 97.50% | 97.83% | 96.43% | 100.00% | 100.00% | 100.00% | ||
| 6 | 95.31% | 91.34% | 97.12% | 90.76% | 73.17% | 100.00% | 100.00% | 100.00% | 100.00% | ||
| 7 | 92.08% | 93.91% | 93.16% | 85.39% | 86.95% | 80.00% | 100.00% | 100.00% | 100.00% | ||
| 8 | 90.09% | 91.92% | 91.39% | 96.86% | 97.46% | 92.31% | 97.76% | 98.90% | 92.90% | ||
| 9 | 96.17% | 92.12% | 93.34% | 90.80% | 91.07% | 90.32% | 100.00% | 100.00% | 100.00% | ||
| 10 | 91.21% | 92.04% | 90.83% | 91.67% | 87.95% | 96.72% | 95.14% | 94.94% | 95.38% | ||
| 11 | 90.24% | 91.21% | 97.18% | 94.59% | 96.49% | 71.43% | 96.22% | 99.41% | 99.10% | ||
| 13 | 82.23% | 88.23% | 89.54% | 92.77% | 93.15% | 92.47% | 86.75% | 81.14% | 92.50% | ||
| 14 | 90.12% | 92.41% | 94.43% | 91.81% | 89.74% | 95.45% | 95.08% | 96.43% | 93.94% | ||
| 16 | 80.16% | 81.43% | 85.54% | 73.08% | 91.67% | 57.14% | 88.46% | 72.73% | 100.00% | ||
| 17 | 89.65% | 90.09% | 91.78% | 88.89% | 88.89% | 88.89% | 92.31% | 91.38% | 93.22% | ||
| 18 | 90.67% | 92.34% | 90.93% | 93.65% | 93.85% | 93.44% | 94.44% | 98.21% | 91.43% | ||
| 19 | 93.34% | 91.21% | 94.45% | 100.00% | 100.00% | 100.00% | 100.00% | 100.00% | 100.00% | ||
| 20 | 91.56% | 90.67% | 92.17% | 92.24% | 89.29% | 95.00% | 98.28% | 97.06% | 100.00% | ||
| 21 | 90.11% | 84.87% | 90.45% | 87.34% | 91.18% | 84.44% | 92.41% | 87.80% | 97.37% | ||
| 22 | 89.76% | 86.34% | 89.65% | 93.83% | 96.00% | 90.32% | 100.00% | 100.00% | 100.00% | ||
| 23 | 86.56% | 81.37% | 89.67% | 92.14% | 95.06% | 88.14% | 90.53% | 87.34% | 93.33% | ||
| 24 | 84.65% | 83.54% | 90.23% | 83.17% | 76.36% | 91.30% | 87.13% | 79.21% | 95.05% | ||
| 平均值 | 90.41% | 89.84% | 91.71% | 91.82% | 92.06% | 89.80% | 95.47% | 93.89% | 96.48% | ||
从测试结果对比上看，当小波尺度增加时，训练样本数量增加，平均准确率、平均敏感度和平均特异性逐渐增加。另外，为了验证采用本文提出方法的效果，在美国波士顿儿童医院的癫痫头皮脑电图数据集中对各个记录数据进行50轮训练和测试对比，对比方法为不采用数据增强时的LSTM + CNN网络。图4为记录1采用两种方法时的损失（Loss）值和准确率（ACC）值对比图，从图中Loss值可以看出，在训练初期，本文提出方法Loss值大于对比方法LSTM + CNN网络，其原因在于本文提出方法采用了数据增强，提高了训练样本的数量和多样性；在ACC值对比上，本文提出方法明显优于对比方法LSTM + CNN网络。
图 4.
Comparison of Loss and ACC between the two methods
两种方法Loss和ACC对比图
此外，为了对测试结果进行更仔细的分析，我们为每个患者的记录数据绘制了混淆矩阵和接受者操作特征曲线（receiver operating characteristic curve，ROC）。图5为记录1的混淆矩阵和ROC曲线结果，从混淆矩阵中可以观察到，本文提出的方法达到了97.9%的灵敏度和92.7%的特异性；从ROC曲线可以观察到，正常和癫痫发作的曲线下面积（area under curve，AUC）都达到0.991 3，测试性能具有一定竞争性。
图 5.
Confusion matrix and ROC curves
混淆矩阵和ROC曲线
分析其原因在于：一是充分利用了连续小波变换的性质和特点，将小波变换应用于数据增强，提高了训练数据量；二是借鉴迁移学习的思想，将数据增强后的数据串行输入到k个独立网络中进行训练，网络模型参数逐级迁移，保留了多个分支网络的多样性；三是结合集成学习思想，将各个子网络的训练结果进行综合处理，提高了网络的准确率和稳定性。
在对比文献的选择方面，文献[15，23-25]以美国波士顿儿童医院的癫痫头皮脑电图数据集为测试验证对象，采用了与本文模型结构较为接近的网络结构，因此，本文方法将与这些文献进行对比，以验证本文方法的优越性。为了保证实验结果的可比性，采用了相同的美国波士顿儿童医院的癫痫头皮脑电图数据集，实验对比结果如表3所示。
表 3. Comparison results with other literatures.
与其他文献的对比结果
在对比实验中，本文提出的方法以小波变换尺度值为8时的测试结果与对比文献进行比较分析，结果可见：本文提出的方法在准确率和敏感度方面结果最优，在特异性方面，文献[15]采用CNN达到96.94%，为对比方法中最高；文献[24]采用CNN和循环神经网络（recurrent neural network，RNN）相结合的网络结构，该网络测试结果与本文提出的方法最接近；另外，单独采用CNN[15]、RNN[23]、LSTM[25]则测试性能不理想。分析本文所提出方法的优越性，有以下3个方面：① 采用小波变换进行数据增强；② 通过设置不同的小波变换尺度因子实现生成数据量的控制；③ 采用迁移学习、集成学习思想，提出了综合考虑迁移学习、集成学习的LSTM+CNN网络。
4. 结论
本文基于EEG的癫痫脑电检测任务，在训练样本数量有限的条件下，为了提高网络的检测精度和鲁棒性，利用连续小波变换的多尺度特性对癫痫脑电数据进行数据增强，并以此为基础提出了一种基于数据增强和深度学习的癫痫检测方法，在美国波士顿儿童医院的癫痫头皮脑电图数据集上进行了充分测试，验证了本方法在不同小波尺度上的平均准确率、平均敏感性和平均特异性，并与相关文献进行对比，达到了具有一定竞争力的测试结果。另外，关于将来的研究方向，还需要采用领域自适应和领域泛化等技术解决患者间测试差异的问题，研究更具普适性的方法，进一步提升模型检测性能，为癫痫检测的临床应用探索可用的高精度、高适应性、高可靠性的算法。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：杨涌主要负责数据的预处理和算法的设计与实现工作，秦小林和林小光参与了算法设计工作，文含参与了实验程序编写和调试工作，彭云聪参与了数据收集和前期数据处理工作。
Funding Statement
科技部国家重点研发计划项目（2018YFC0116700）；四川省科技计划资助（2019ZDZX0005，2019ZDZX0006，2020YFQ0056）
References
- 1.金洋, 张玮, 徐斌等 发作期头皮电极脑电图在局灶性癫痫诊断中的价值. 癫痫杂志. 2019;5(6):431–439. [Google Scholar]
- 2.杨雨时, 姚丽芬 癫痫患者的社会认知功能: 现状与展望. 脑与神经疾病杂志. 2021;29(7):450–453. [Google Scholar]
- 3.颜因, 彭晓燕, 王学峰 癫痫发作后精神病的研究现状. 西南医科大学学报. 2021;44(5):425–428. doi: 10.3969/j.issn.2096-3351.2021.05.002. [DOI] [Google Scholar]
- 4.刘晓燕 临床脑电图学. 第2版. 北京: 人民卫生出版社. 2018:12–33. [Google Scholar]
- 5.Wang C, Zou J Z, Zhang J, et al Recognition of epileptic EEG using support vector machines// Wang R, Gu F. Advances in Cognitive Neurodynamics (II). Dordrecht: Springer. 2009:653–657. [Google Scholar]
- 6.Chen W, Shen C P, Chiu M J, et al Epileptic EEG visualization and sonification based on linear discriminate analysis// 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) Milan: IEEE. 2015:4466–4469. doi: 10.1109/EMBC.2015.7319386. [DOI] [PubMed] [Google Scholar]
- 7.Sharmila A, Geethanjali P Epileptic seizure detection from EEG signals using best feature subsets based on estimation of mutual information for support vector machines and naive bayes classifiers// International Conference on Emerging Trends and Advances in Electrical Engineering and Renewable Energy (ETAEERE) Majhitar: Sikkim Manipal Inst Technol. 2016:585–593. [Google Scholar]
- 8.Rajaguru H, Prabhakar S K Non linear ICA and logistic regression for classification of epilepsy from EEG signals// International conference of Electronics, Communication and Aerospace Technology (ICECA) Coimbatore: IEEE. 2017:577–580. [Google Scholar]
- 9.Mursalin M, Zhang Y, Chen Y H, et al Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier. Neu Comp. 2017;241:204–214. [Google Scholar]
- 10.Takahashi R, Matsubara T, Uehara K Data augmentation using random image cropping and patching for deep CNNs. IEEE Trans Circuits Syst Video Technol. 2020;30(9):2917–2931. doi: 10.1109/TCSVT.2019.2935128. [DOI] [Google Scholar]
- 11.王芋人, 武德安 一种提高小目标检测准确率的数据增强方法. 激光杂志. 2021;42(11):41–45. [Google Scholar]
- 12.Wang F, Zhong S H, Peng J F, et al Data augmentation for EEG-based emotion recognition with deep convolutional neural networks// 24th International Conference on MultiMedia Modeling(MMM) Bangkok: Chulalongkorn Univ. 2018;10705:82–93. [Google Scholar]
- 13.Fahimi F, Dosen S, Ang K K, et al Generative adversarial networks-based data augmentation for brain-computer interface. IEEE Trans Neural Netw Learn Syst. 2020;32(9):4039–4051. doi: 10.1109/TNNLS.2020.3016666. [DOI] [PubMed] [Google Scholar]
- 14.Krell M M, Kim S K Rotational data augmentation for electroencephalographic data. Annu Int Conf IEEE Eng Med Biol Soc. 2017;2017:471–474. doi: 10.1109/EMBC.2017.8036864. [DOI] [PubMed] [Google Scholar]
- 15.Wei Z, Zou J Z, Zhang J, et al Automatic epileptic EEG detection using convolutional neural network with improvements in time-domain. Biomedical Signal Process Control. 2019;53:101551. doi: 10.1016/j.bspc.2019.04.028. [DOI] [Google Scholar]
- 16.Zhang B C, Wang W N, Xiao Y T, et al Cross-subject seizure detection in EEGs using deep transfer learning. Comput Math Methods Med. 2020;2020:7902072. doi: 10.1155/2020/7902072. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 17.Jiang Y Z, Wu D R, Deng Z H, et al Seizure classification from EEG signals using transfer learning, semi-supervised learning and TSK fuzzy system. IEEE Trans Neu Syst Reh Eng. 2017;25(12):2270–2284. doi: 10.1109/TNSRE.2017.2748388. [DOI] [PubMed] [Google Scholar]
- 18.Sola J, Sevilla J Importance of input data normalization for the application of neural networks to complex industrial problems. IEEE Trans Nuc Sci. 1997;44(3):1464–1468. doi: 10.1109/23.589532. [DOI] [Google Scholar]
- 19.王敏会, 常桂娟 基于小波方法的时频域分析. 青岛农业大学学报. 2021;38(3):229–233. [Google Scholar]
- 20.Akyol K Stacking ensemble based deep neural networks modeling for effective epileptic seizure detection. Exp Syst Appl. 2020;148:113239. doi: 10.1016/j.eswa.2020.113239. [DOI] [Google Scholar]
- 21.杨泽鑫. 深度集成分类模型在癫痫脑电预测中的应用研究. 太原: 太原理工大学, 2020.
- 22.Goldberger A L, Amaral L A N, Glass L, et al PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation. 2000;101(23):E215–E220. doi: 10.1161/01.cir.101.23.e215. [DOI] [PubMed] [Google Scholar]
- 23.Yao X, Chen Q, Zhang G Q. Automated classification of seizures against nonseizures: A deep learning approach. arXiv, 2019: 1906.0274.
- 24.Huang C B, Chen W T, Cao G T Automatic epileptic seizure detection via attention-based CNN-BiRNN// IEEE International Conference on Bioinformatics and Biomedicine (BIBM) San Diego: IEEE. 2019:660–663. [Google Scholar]
- 25.Yao X H, Li X J, Ye Q, et al A robust deep learning approach for automatic classification of seizures against non-seizures. Bio Sig Proc Cont. 2021;64:102215. [Google Scholar]