基于贝叶斯网络和迁移学习的癫痫发作检测方法研究

At present, majority epileptic seizure detection techniques suffer from a prominent problem that the detection robustness and accuracy are very low in actual clinical application. In view of this situation, we will carry out a research on seizure detection methods based on Bayesian network and transfer learning in this project. The main research work of this project includes the following aspects. (1) We will establish a basic Bayesian network model for Epileptic seizure detection. To establish the model, we will set up an epileptic EEG features system and learn the model’s structure and parameters, especially study the learning algorithms for the problems that multi-channels EEG has high dimensional feature vectors and some channels have EEG data missing. (2) We will further expand the basic Bayesian network over time and put forward a learning method of the conversion parameter for class Nodes in adjacent Bayesian networks. Then a dynamic Bayesian network for the early epileptic seizure detection thus can be established. (3) We will carry out transfer learning on the Bayesian network model to make it can adaptively adjust its parameters. This thus can overcome the problem that majority epileptic seizure detection techniques difficult to achieve a satisfactory performance when they are tested on clinic EEG data. The research of this project will be of great significance for promoting the development of automatic epileptic seizure detection technique, promoting the theoretical research and application research of Bayesian network and transfer learning.

针对癫痫发作自动检测技术所面临的在实际临床应用时检测的鲁棒性和准确性低等突出问题，本项目拟基于贝叶斯网络和迁移学习进行癫痫发作检测方法研究。研究工作主要包括三个方面。（1）建立面向癫痫发作检测的贝叶斯网络基本模型。围绕模型的建立，首先建立癫痫EEG特征体系；然后进行模型的结构和参数学习，重点针对多导联EEG数据特征向量维数高、部分导联EEG数据有缺失等问题，进行学习算法研究。（2）进一步将基本的贝叶斯网络沿着时间扩展，提出相邻时间片的贝叶斯网之间类别节点转换参数的学习方法，建立癫痫发作早期检测的动态贝叶斯网络模型。（3）对贝叶斯网络模型进行迁移学习，使其面对不同的临床患者可以自适应的调整模型参数，从而克服目前大多数癫痫发作检测技术在实际临床EEG测试数据上难以达到满意检测性能的缺陷。本项目研究对促进癫痫发作自动检测技术的发展、促进贝叶斯网络和迁移学习的理论研究与应用研究，都具有重要意义。

计算机辅助的脑电图分析和癫痫发作自动检测具有广阔的临床应用前景。针对目前癫痫发作自动检测技术存在的检测准确度低、泛化性能差等问题，本项目在进行癫痫EEG特性分析的基础上，基于贝叶斯网络等机器学习模型进行癫痫发作检测方法研究，并且研究检测系统的迁移学习方法，以更好地适应不同的患者和发作类型、提高系统的检测性能。本项目基于粗糙长度方法提取分形维数和截距特征，研究癫痫发作前期的EEG变化，结合梯度Boosting集成学习算法，建立了一种癫痫发作预测系统，在499小时颅内脑电数据集上达到平均91.67%的预测灵敏度和0.1次/小时的误报率。基于多重分形去趋势互相关分析法，研究癫痫发作时多导联EEG的互相关特性，提取6种多重分形谱特征作为贝叶斯网络的属性节点，并基于K2搜索评分算法建立了面向癫痫发作检测的贝叶斯网络模型。设计了双向门控循环单元神经网络用于癫痫发作检测，在867.14小时头皮脑电数据集上达到平均93.89%的检测灵敏度和98.49%的准确率。为解决检测系统在小数据集上的学习问题、提高检测模型的泛化性能，提出了基于领域分布适配的EEG特征迁移学习方法和基于VGGNet-16深度神经网络的模型迁移方法。此外提出基于共空间模式算法的致痫脑区定位方法，为癫痫诊断和局灶性癫痫患者的术前评估提供参考。本项目的研究成果有助于推动癫痫自动检测技术的发展、对相关理论模型的应用研究也有促进作用。