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。
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：
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：
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.