aoi学院

Aisaka's Blog, School of Aoi, Aisaka University

学习报告:PDCNNet—一个利用脑电图信号自动检测帕金森病的框架

本篇学习报告的内容为:基于脑电图信号的帕金森病自动检测框架,所参考的文献是《PDCNNet: An Automatic Framework for the Detection of Parkinson’s Disease Using EEG Signals》,该文献发布时间为2021年。在本文中,实现了使用深度学习模型获得了最高的分类准确率100%(健康对照与服用药物的PD患者)。本文目的主要是对帕金森病早期患者辅助诊断,区分健康者和帕金森病患者,提出了一种基于脑电信号的自动、准确、鲁棒的PDCNNet模型。


研究背景

帕金森病(ParKinson’s disease,PD)是一种神经退行性疾病,它是由脑部基底神经节区域多巴胺的分泌减少导致的,其特征是运动缓慢(运动迟缓)、不自主震颤、僵硬和姿势不稳定[1]。长期以来,临床对 PD 患者的诊断和治疗都十分困难,目前仍主要根据行为量表,误诊率高,缺乏客观有效的手段检测患者的病情。

脑电信号(EEG)则因其低幅度、高准确率而被用于PD检测,并广泛应用于其他神经系统疾病辅助诊断、脑功能康复等方面的研究。传统的机器学习方法需要几个人工步骤,如分解、特征提取和分类,但由于脑电信号非线性、非平稳和复杂的性质,手工分析这些信号是很困难的。为了克服这些限制,Khare等人提出了使用平滑伪wigner Ville分布(SPWVD)与卷积神经网络(CNN)(即帕金森病CNN, PDCNNet)相结合的PD自动检测方法。


PDCNNet框架

框架介绍

脑电图信号具有非线性、非平稳、复杂等特点。因此,脑电信号的视觉筛选费时、繁琐且容易出现人为错误。利用短时间傅里叶变换(STFT)、连续或离散小波变换、Wigner Ville分布(WVD)或SPWVD,可以得到更多的EEG信号的隐藏信息。STFT假设信号是平稳的,需要一个固定的长度和窗函数。CWT和DWT需要选择小波,而WVD由于低频分辨率和频域的交叉项而受到影响[2]。STFT、CWT、DWT、WVD提供的分辨率较差,且存在时间和频率的交叉项。为了克服这一问题,利用SPWVD将时间序列信号转换为TFR。SPWVD由于同时在时域和频域引入了交叉项减小窗口,具有良好的分辨率和代表性的TFR。此外,时间长度和减频跨项窗口的选择是独立的。

图1.PDCNNet的原理图

框架算法

输入信号x(t)的SPWVD的数学表示[3]为:

其中频域和时域的Windows缩减交叉项分别用g(t)和h(t)表示。SPWVD允许自由选择g(t)和h(t)的长度。

SPWVD通过减少时间和频率的交叉项干扰,可以提取出更有代表性和隐藏性的信息。与手工特征提取和分类相比,使用CNN可以同时提取和分类深度特征,大大减少了人工工作量。该cnn架构的参数如下图所示:

图2. CNN架构的系统配置

其中卷积运算的表示为:


实验和结果

数据集

本文使用了两个数据集,第一个数据集包括15名PD患者和16名HC受试者[4],它是在加州圣迭戈大学收集的,根据Hoehn和Yahr评分,PD患者平均病程4.5±3.5年,轻度至中度疾病(II期和III期)。第二个数据集由20名PD患者和20名年龄匹配的HC受试者的脑电图记录组成,这些受试者均来自马来西亚Kebangsaan大学医院,7例PD患者处于III期,11例为II期,2例为I期,采用Hoehn和Yahr量表进行测量。PD患者(26.9±1.51)和HC患者(27.15±1.63)的MMSE结果均在25-30的典型范围内。


实验方式

两个数据集都将每个通道的脑电图记录被分层成2-s一个样本。使用openneuro数据集(数据集1)分别获得用药期间PD (PDSO)、不用药期间PD (PDSF)、HC脑电图文件1499、1500、1532个,从郑州大学人民医院数据集获得HC脑电图文件1588个,HC脑电图文件1571个。openneuro的数据维度PDSO、PDSF、HC分别为1024×1499、1024×1500、1024×1532, PD、HC(时间samples×No)分别为256×1588、256×1571。为信号,对于数据集2。利用SPWVD将得到的2 s期分层脑电信号转化为TFR。选择Kaiser窗口来减少交叉项和时域和频域的干扰。在输入CNN模型之前,SPWVD图像被调整到227×227,然后将TFR的二维图馈送给CNN进行自动特征提取和分类。CNN模型使用十倍交叉验证(TF-CV)开发。通过对两个数据集保持相同的设置来进行实验。epoch大小为60,批处理大小为75,学习率为0.0001,验证频率为3,将偏差和权值学习率设置为20,使用Adam优化器对学习率进行优化。


实验结果

在PD自动检测实验中,PDCNNet模型的最高准确率为99.97%,灵敏度为100%,特异性为99.94,精密度为99.94%。其中两个数据集的结果如下:

表1.第一个数据集的实验结果表
表2.第二个数据集实验结果表

总结和思考

该论文提出的模型将SPWVD图与CNN结合,并通过对两个开源脑电数据集的实验,获得了目前最高的分类准确率,证明了它的有效准确性。该模型用到的SPWVD通过减少时间和频率的交叉项干扰,可以提取出更有代表性和隐藏性的信息。SPWVD图有助于同时捕捉空间和时间细节,使其在分类PD和HC受试者时具有高度的可分辨性。

但论文研究中也存在一些局限性,他们的研究只是利用这个数据集进行二进制分类。在他们的研究中,他们进行了细分EEG记录到2s一个样本,这允许他们从时频图像中捕获更重要的特征,以训练他们提出的CNN模型。样本图像越多,其模型的分类精度越高,但缺点是CNN的计算量大。


参考链接

https://www.scholat.com/teamwork/showPostMessage.html?id=11142
[1] Goetz, C.G. The history of Parkinson’s disease: Early clinical descriptions and neurological therapies.Cold Spring Harb. Perspect. Med.2011,1, a008862.
[2] S. K. Khare and V . Bajaj, “Time-frequency representation and convolutional neural network-based emotion recognition,”IEEE Trans. Neural Netw. Learn. Syst., early access, Jul. 31, 2020.
[3] M. M. Hoehn and M. D. Y ahr, “Parkinsonism: Onset, progression, and mortality,”Neurology, vol. 77, no. 9, p. 874, 2011.
[4] A. P. Rockhill, N. Jackson, J. George, A. Aron, and N. C. Swann,“UC San Diego resting state EEG data from patients with Parkinson’s disease,” Univ. California, San Diego, CA, USA, Tech. Rep., 2020.