DOI: https://doi.org/10.3389/fncom.2024.1340251
PMID: https://pubmed.ncbi.nlm.nih.gov/38590939
تاريخ النشر: 2024-03-21
المؤلف: Sayani Mallick وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
في هذا البحث، يقدم المؤلفون إطار عمل جديد لاكتشاف نوبات الصرع باستخدام مزيج من الشبكات العصبية التلافيفية أحادية البعد (1D-CNN)، والشبكات العصبية الذاكرة الطويلة القصيرة ثنائية الاتجاه (LSTMs)، ووحدات الذاكرة المتكررة المغلقة (GRUs)، وطبقة التجميع المتوسطة. يظهر الهيكل المقترح تحسينات كبيرة في مقاييس الأداء لكل من التصنيفات الثنائية والمتعددة الفئات، مما يتيح اكتشاف النوبات من إشارات EEG بأطوال مختلفة. تشير النتائج إلى أن هذا الإطار يمكن أن يكون أداة موثوقة وفعالة لاكتشاف النوبات بشكل آلي، مما يعزز تشخيص وإدارة الصرع.
تظهر التقييمات الواسعة التي أجريت على مجموعة بيانات بون أن النماذج التي تتضمن LSTMs ثنائية الاتجاه وGRUs ثنائية الاتجاه تحقق نتائج قابلة للمقارنة في ظل ظروف مثالية وغير مثالية. يظهر الإطار المقترح تقدمًا ملحوظًا في الدقة، والخصوصية، والحساسية، مما يبرز تأثيره المحتمل على مجال أبحاث الصرع والممارسة السريرية. يؤكد البحث على أهمية هذه النتائج في تمهيد الطريق لتحسين منهجيات اكتشاف النوبات بشكل آلي.
مقدمة
تناقش مقدمة ورقة البحث الصرع، وهو اضطراب عصبي واسع الانتشار يتميز بتفريغات كهربائية غير منتظمة في الدماغ، مما يؤدي إلى نوبات. يمكن أن تظهر هذه النوبات بأشكال مختلفة، بما في ذلك فقدان الوعي والتشنجات، وتشكل تحديات كبيرة في الكشف والإدارة في الوقت المناسب. تعتبر تخطيط الدماغ الكهربائي (EEG) الأداة الرئيسية لاكتشاف النوبات، حيث تلتقط نشاط الدماغ من خلال تقلبات الجهد. ومع ذلك، تعتمد الطريقة التقليدية لتحليل إشارات EEG بشكل كبير على خبرة الأطباء العصبيين وتكون كثيفة العمل، مما يدفع لاستكشاف طرق الكشف الآلي باستخدام تقنيات التعلم الآلي والتعلم العميق.
تسلط الورقة الضوء على تطور منهجيات اكتشاف النوبات، مع التأكيد على الانتقال من استخراج الميزات اليدوية في مجالات الزمن والتردد إلى الأساليب الآلية للتعلم العميق. أظهرت الدراسات السابقة فعالية خوارزميات التعلم الآلي المختلفة، مثل الشبكات العصبية الاصطناعية وتجميع k-means، محققة معدلات دقة ملحوظة. أظهرت التطورات الأخيرة في التعلم العميق، وخاصة استخدام الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، وعدًا في تعزيز دقة الاكتشاف مع التخفيف من مشكلات مثل تلاشي وتفجر التدرجات من خلال هياكل مثل الذاكرة الطويلة القصيرة (LSTM) ووحدات الذاكرة المتكررة المغلقة (GRUs). تقترح الدراسة الحالية إطار عمل جديد للتعلم العميق يدمج 1D-CNN، وLSTM ثنائية الاتجاه، وطبقات التجميع المتوسطة لتصنيف إشارات EEG إلى مراحل نوبة متعددة، محققة تحسينات كبيرة في الأداء مقارنة بالأعمال السابقة.
طرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات من إشارات EEG من جامعة بون، تتكون من 500 مقطع مصنفة إلى خمس مجموعات (A، B، C، D، وE) لاكتشاف نوبات الصرع. تشمل مجموعة البيانات تسجيلات من كل من الأشخاص الأصحاء ومرضى الصرع، مع تركيز مجموعات معينة على حالات مختلفة: تحتوي المجموعات A وB على أشخاص أصحاء، بينما تحتوي المجموعات C وD وE على إشارات من مرضى الصرع خلال مراحل ما بين النوبات والنوبات. تم تسجيل إشارات EEG باستخدام مضخم 128 قناة وتردد عينة قدره 173.61 هرتز، مع استمرار كل إشارة لمدة 23.6 ثانية.
يدمج الإطار المقترح الشبكات العصبية التلافيفية أحادية البعد (CNNs)، والشبكات العصبية الذاكرة الطويلة القصيرة (LSTM)، وطبقات التجميع المتوسطة، مع استخدام طبقات Dropout للتخفيف من الإفراط في التكيف. تعالج البنية إشارات EEG المعالجة مسبقًا، مستخرجة الميزات ذات الصلة من خلال عمليات التلافيف، والتقاط الديناميات الزمنية باستخدام LSTMs ثنائية الاتجاه، وتقليل الأبعاد عبر التجميع المتوسط. اختبرت الدراسة تكوينات مختلفة للنموذج باستخدام إشارات مصفاة وغير مصفاة من فترات زمنية مختلفة (23.6 ثانية، 11.8 ثانية، و1 ثانية)، مما يظهر فعالية الهيكل المقترح في تصنيف إشارات EEG المتعلقة بنشاط النوبة. تضمنت خطوات المعالجة المسبقة تطبيق فلتر Butterworth ذو نطاق تمرير صفري لإزالة الضوضاء، وهو أمر حاسم للحفاظ على دقة النموذج.
نتائج
في هذا القسم، تم تقييم أداء الخوارزمية المقترحة باستخدام الدقة والحساسية كمقاييس رئيسية عبر دراسات متعددة. أشارت نتائج دراسات الإزالة إلى انخفاض مستمر في الدقة عند إزالة مكونات معينة، مثل طبقات 1D-CNN وطبقات LSTM ثنائية الاتجاه. على سبيل المثال، انخفضت الدقة لتصنيف AB-CD-E من 98.09% إلى 93.94% بعد إزالة طبقات 1D-CNN، وتمت ملاحظة انخفاض إضافي قدره 5.73% في الدراسة 6 عندما تم استبعاد جميع طبقات 1D-CNN. بالإضافة إلى ذلك، انخفضت الحساسية لتصنيف AB-CD-E بمقدار 0.32%.
تم توثيق مقاييس الأداء التفصيلية عبر نماذج التصنيف المختلفة (LSTM وGRU) في جدول، مما يظهر معدلات دقة عالية، خاصة في تصنيفات A-E وB-E، التي حققت باستمرار دقة 100% في عدة دراسات. ومع ذلك، أظهرت تصنيفات AB-CD-E وAB-C-D-E وA-B-C-D-E دقة أقل، مع قيم تتراوح من حوالي 95.5% إلى 98.4%. بشكل عام، تسلط النتائج الضوء على الدور الحاسم لمكونات النموذج المحددة في الحفاظ على دقة التصنيف والحساسية، مما يبرز أهمية هذه العناصر في أداء الخوارزمية.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية الإطار المقترح لاكتشاف نوبات الصرع باستخدام إشارات EEG، مما يظهر تحسينات كبيرة عبر مهام التصنيف المختلفة. يستخدم الإطار مزيجًا من الشبكات العصبية التلافيفية أحادية البعد (CNN)، والذاكرة الطويلة القصيرة ثنائية الاتجاه (Bi-LSTM)، ووحدات الذاكرة المتكررة المغلقة ثنائية الاتجاه (Bi-GRU)، محققًا دقة مثالية (100%) في التصنيفات الثنائية (A مقابل E وB مقابل E) ودقة عالية (تصل إلى 99.75%) في التصنيفات متعددة الفئات. تؤكد الدراسة على قوة النموذج ضد الشوائب وأطوال الإشارات المتغيرة، وهو تقدم ملحوظ مقارنة بالطرق الحالية.
تشير النتائج إلى أن الهيكل المقترح لا يتفوق فقط على الدراسات السابقة من حيث الدقة، والخصوصية، والحساسية، ودرجة F1، ولكن أيضًا يعالج بفعالية التحديات التي تطرحها إشارات EEG المزعجة. تؤكد دراسات الإزالة أيضًا على أهمية كل مكون في النموذج، كاشفة أن إزالة طبقات معينة تؤدي إلى انخفاضات كبيرة في مقاييس الأداء. بشكل عام، تسهم هذه البحث في مجال اكتشاف النوبات من خلال توفير إطار موثوق يمكن توسيعه إلى مجموعات بيانات أخرى، مما يعزز الإمكانية للتطبيقات السريرية في إدارة الصرع.
DOI: https://doi.org/10.3389/fncom.2024.1340251
PMID: https://pubmed.ncbi.nlm.nih.gov/38590939
Publication Date: 2024-03-21
Author(s): Sayani Mallick et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
In this research, the authors present a novel framework for the detection of epileptic seizures utilizing a combination of one-dimensional Convolutional Neural Networks (1D-CNN), Bidirectional Long Short-Term Memory networks (LSTMs), Gated Recurrent Units (GRUs), and an Average Pooling Layer. The proposed architecture demonstrates significant improvements in performance metrics for both binary and multiclass classifications, effectively detecting seizures from EEG signals of varying lengths. The findings suggest that this framework could serve as a reliable and efficient tool for automated seizure detection, enhancing the diagnosis and management of epilepsy.
The extensive evaluations conducted on the Bonn dataset reveal that the models incorporating Bidirectional LSTMs and Bidirectional GRUs achieve comparable results under both ideal and imperfect conditions. The proposed framework shows notable advancements in accuracy, specificity, and sensitivity, highlighting its potential impact on the field of epilepsy research and clinical practice. The paper emphasizes the importance of these findings in paving the way for improved automated seizure detection methodologies.
Introduction
The introduction of the research paper discusses epilepsy, a widespread neurological disorder characterized by irregular electrical discharges in the brain, leading to seizures. These seizures can manifest in various forms, including loss of consciousness and convulsions, and pose significant challenges in timely detection and management. Electroencephalography (EEG) is the primary tool for seizure detection, capturing brain activity through voltage fluctuations. However, the traditional method of analyzing EEG signals relies heavily on neurologists’ expertise and is labor-intensive, prompting the exploration of automated detection methods using machine learning and deep learning techniques.
The paper highlights the evolution of seizure detection methodologies, emphasizing the transition from handcrafted feature extraction in time and frequency domains to automated deep learning approaches. Previous studies have demonstrated the effectiveness of various machine learning algorithms, such as artificial neural networks and k-means clustering, achieving notable accuracy rates. Recent advancements in deep learning, particularly the use of convolutional neural networks (CNNs) and recurrent neural networks (RNNs), have shown promise in enhancing detection accuracy while mitigating issues like vanishing and exploding gradients through architectures like long short-term memory (LSTM) and gated recurrent units (GRUs). The current study proposes a novel deep learning framework that integrates 1D-CNN, Bidirectional LSTM, and Average Pooling layers for classifying EEG signals into multiple seizure stages, achieving significant performance improvements over previous works.
Methods
In this study, the authors utilized a dataset of EEG signals from Bonn University, comprising 500 segments categorized into five sets (A, B, C, D, and E) for the detection of epileptic seizures. The dataset includes recordings from both healthy subjects and epileptic patients, with specific sets focusing on different states: sets A and B feature healthy subjects, while sets C, D, and E contain signals from epileptic patients during inter-ictal and ictal phases. The EEG signals were recorded using a 128-channel amplifier and a sampling frequency of 173.61 Hz, with each signal lasting 23.6 seconds.
The proposed framework integrates 1D Convolutional Neural Networks (CNNs), Bidirectional Long Short-Term Memory (LSTM) networks, and Average Pooling layers, with Dropout layers employed to mitigate overfitting. The architecture processes preprocessed EEG signals, extracting relevant features through convolution operations, capturing temporal dynamics with Bidirectional LSTMs, and reducing dimensionality via Average Pooling. The study tested various configurations of the model using both filtered and unfiltered signals of different durations (23.6 s, 11.8 s, and 1 s), demonstrating the effectiveness of the proposed architecture in classifying EEG signals related to seizure activity. Preprocessing steps included applying a zero-phase band-pass Butterworth filter to eliminate noise, which is crucial for maintaining model accuracy.
Results
In this section, the performance of the proposed algorithm was evaluated using accuracy and sensitivity as key metrics across multiple studies. The results from the ablation studies indicated a consistent decrease in accuracy upon the removal of specific components, such as 1D-CNN layers and Bidirectional LSTM layers. For instance, the accuracy for the AB-CD-E classification dropped from 98.09% to 93.94% after removing the 1D-CNN layers, and a further decline of 5.73% was observed in Study 6 when all 1D-CNN layers were excluded. Additionally, the sensitivity for the AB-CD-E classification decreased by 0.32%.
The detailed performance metrics across various classification models (LSTM and GRU) were documented in a table, showcasing high accuracy rates, particularly in the A-E and B-E classifications, which consistently achieved 100% accuracy in several studies. However, the AB-CD-E, AB-C-D-E, and A-B-C-D-E classifications exhibited lower accuracy, with values ranging from approximately 95.5% to 98.4%. Overall, the findings highlight the critical role of specific model components in maintaining classification accuracy and sensitivity, emphasizing the importance of these elements in the algorithm’s performance.
Discussion
The discussion section of the research paper highlights the effectiveness of the proposed framework for detecting epileptic seizures using EEG signals, demonstrating significant improvements across various classification tasks. The framework employs a combination of 1D Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory (Bi-LSTM), and Bidirectional Gated Recurrent Units (Bi-GRU), achieving perfect accuracy (100%) in binary classifications (A vs. E and B vs. E) and high accuracies (up to 99.75%) in multi-class classifications. The study emphasizes the robustness of the model against artifacts and varying signal lengths, which is a notable advancement over existing methods.
The results indicate that the proposed architecture not only outperforms previous studies in terms of accuracy, specificity, sensitivity, and F1 score but also effectively addresses the challenges posed by noisy EEG signals. The ablation studies further confirm the importance of each component in the model, revealing that the removal of specific layers leads to significant drops in performance metrics. Overall, this research contributes to the field of seizure detection by providing a reliable framework that can be extended to other datasets, thereby enhancing the potential for clinical applications in epilepsy management.