DOI: https://doi.org/10.21833/ijaas.2026.03.008
تاريخ النشر: 2026-03-19
المؤلف: Nousheen Akhtar وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تركز هذه الدراسة على تطوير نموذج هجين من الشبكات العصبية التلافيفية – الذاكرة قصيرة وطويلة الأمد (CNN-LSTM) للتصنيف التلقائي لإشارات تخطيط الدماغ الكهربائي (EEG)، بهدف تعزيز التدخل السريري المبكر لدى المرضى الذين يعانون من اضطرابات عصبية. يتم تنفيذ النموذج على منصة Xilinx Zynq-7000 System-on-Chip (SoC)، حيث يتم تنفيذ طبقات CNN على معالجات ARM Cortex-A9 لاستخراج الميزات المكانية، بينما تتم معالجة طبقات LSTM والطبقات المتصلة بالكامل في نسيج FPGA، مما يسهل الاستدلال في الوقت الحقيقي. تم تقييم النظام باستخدام مجموعة بيانات EEG من جامعة بون، محققًا دقة تصنيف ملحوظة تبلغ 99.33% وزمن استدلال قدره 0.657 ثانية لكل مقطع EEG.
تظهر نهج التصميم المشترك بين الأجهزة والبرمجيات تحسينات كبيرة في الكفاءة، بما في ذلك تقليص زمن التنفيذ بمقدار 12.5× مقارنةً بتنفيذ البرمجيات بالكامل، إلى جانب تحسينات مثل التكميم الثابت النقطة وتقريبات دالة التنشيط الفعالة التي تقلل من استهلاك الطاقة. تستخدم البنية الموارد بشكل فعال مثل LUT وDSP وBRAM، مما يضمن أداءً في الوقت الحقيقي بينما تكون مناسبة للنشر على المنصات المدمجة ذات الموارد المحدودة. تسلط هذه الأبحاث الضوء على إمكانيات الهياكل العميقة الهجينة للتعرف على النوبات بشكل موثوق وذو زمن استجابة منخفض، مما يمهد الطريق لتحسينات مستقبلية نحو تصميم ASIC والتطبيقات السريرية.
مقدمة
تسلط مقدمة الورقة الضوء على الانتشار الكبير للصرع، الذي يؤثر على حوالي 50 مليون فرد على مستوى العالم، وتؤكد على التحديات المرتبطة بالتحليل اليدوي التقليدي لإشارات تخطيط الدماغ الكهربائي (EEG) لاكتشاف النوبات. تشير منظمة الصحة العالمية (WHO) إلى أن ما يصل إلى 10% من السكان سيختبرون نوبة واحدة على الأقل في حياتهم، مما يبرز العبء على أنظمة الرعاية الصحية. تفسير EEG اليدوي بطيء وذاتي وعرضة للأخطاء، مما يستدعي منهجيات متقدمة للتشخيص الفعال والدقيق. أظهرت التقدمات الأخيرة في التعلم العميق، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs) والشبكات ذات الذاكرة قصيرة وطويلة الأمد (LSTMs)، وعدًا في أتمتة تحليل EEG من خلال التقاط الميزات المكانية والزمنية للإشارات بشكل فعال.
تناقش الورقة الانتقال من الفحص البصري التقليدي إلى نماذج التعلم الآلي (ML) التي تعزز اكتشاف النوبات الصرعية من خلال أتمتة استخراج الميزات والتعرف على الأنماط. يتم استخدام مجموعة متنوعة من مصنفات التعلم الخاضع للإشراف، بما في ذلك آلات الدعم الشعاعي (SVM) والغابات العشوائية (RF) ونماذج التعلم العميق مثل CNNs وLSTMs، للتفريق بين حالات النوبة وغير النوبة. يتم التأكيد على أهمية استخراج الميزات، حيث أن إشارات EEG الخام معقدة وصاخبة. يتم تسليط الضوء على تقنيات مثل تحويل الموجات المتقطعة (DWT) وتحويل فورييه السريع (FFT) لفعاليتها في تحليل إشارات EEG إلى ميزات ذات مغزى تحسن دقة التصنيف. بشكل عام، تضع المقدمة الأساس لاستكشاف تقنيات ML المتقدمة وإمكاناتها في إحداث ثورة في المراقبة والتدخل في إدارة الصرع في الوقت الحقيقي.
طرق
استخدمت الدراسة مجموعة بيانات EEG من جامعة بون المتاحة للجمهور لتدريب واختبار نموذج هجين من CNN-LSTM. تتكون هذه المجموعة من خمسة مجموعات فرعية (A-E) من 100 مقطع EEG أحادي القناة لكل منها، مع مقاطع تستمر لمدة 23.6 ثانية ومأخوذة بمعدل 173.6 هرتز. تحتوي المجموعتان الفرعيتان A وB على تسجيلات EEG من أفراد أصحاء في حالات فتح العينين وإغلاقهما، بينما تتكون المجموعات الفرعية C وD وE من تسجيلات من مرضى الصرع، حيث تلتقط المجموعة الفرعية E نشاط النوبة (ictal) بشكل خاص وتمثل المجموعتان الفرعيتان C وD حالات ما بين النوبات (interictal). تم فحص البيانات بصريًا لضمان خلو المقاطع من الشوائب، مما يسهل مقارنة واضحة لنشاط الدماغ عبر الحالات الطبيعية وحالات النوبة.
لتقليل التحيز في التقييم، تم تقسيم مجموعة البيانات إلى مجموعات تدريب وتحقق بنسبة 90:10، مع استخدام نهج التحقق المتقاطع بعشر طيات لتعزيز الثقة الإحصائية. أثناء التدريب، تم استخدام حجم دفعة قدره 34، وتم اختيار مُحسِّن آدم لمعدل التعلم التكيفي والقدرة على التحمل ضد التدرجات الضوضائية. تم تعيين معدل التعلم الأولي إلى $1 \times 10^{-3}$، مع تطبيق تقنيات تنظيمية لمنع الإفراط في التكيف. خضع النموذج للتدريب لمدة 100 دورة، مع مراقبة الأداء على مجموعة تحقق محفوظة بعد كل دورة. تم دمج طبقات التلافيف وLSTM بشكل فعال لالتقاط الاعتماديات المكانية والزمنية في بيانات EEG، مما قلل من الحاجة إلى ميزات مصممة يدويًا بشكل مكثف. كانت دالة الخسارة هي الانتروبيا المتقاطعة الفئوية، مما سمح بالتتبع في الوقت الحقيقي لمقاييس التدريب والتحقق، والتي أظهرت تحسنًا مستمرًا في التقارب دون تباعد.
نتائج
تظهر نتائج الدراسة فعالية نموذج CNN-LSTM في تصنيف إشارات EEG عبر ثلاث حالات: طبيعية، ما بين النوبات، ونوبة. حقق النموذج دقة إجمالية مثيرة للإعجاب تبلغ 99.33%، إلى جانب قيمة تنبؤية إيجابية (PPV) تبلغ 99.33%، وحساسية تبلغ 99.33%، ونوعية تبلغ 99.67%، كما هو موضح في الجدول 1. تشير مصفوفة الارتباك (الشكل 7) إلى أن النموذج صنف بدقة تقريبًا جميع العينات، مع وجود تصنيفات خاطئة طفيفة بين الفئات الطبيعية وفئة النوبة، وتنبؤ مثالي بفئة ما بين النوبات. تؤكد هذه الأداء العالي على قوة النموذج وقدرته على التعميم.
تم تنفيذ الشبكة الهجينة CNN-LSTM على نظام AMD Zynq SoC باستخدام نهج التصميم المشترك بين الأجهزة والبرمجيات، مما سمح بالتنفيذ الفعال من خلال التكميم الثابت النقطة. حدد تحليل الدقة تنسيق النقطة الثابتة الموقعة 3.12 كأفضل خيار، مما يوازن بين الدقة وكفاءة الأجهزة. أظهرت النتائج أن زيادة عرض بت التكميم حسنت الدقة، مع ملاحظة انخفاض كبير في الأداء عند 2 بت. كانت استخدام موارد FPGA معتدلة، حيث تم استخدام 13% فقط من جداول البحث (LUTs) و5.6% من مفاتيح التبديل (FFs)، مما يشير إلى إمكانية التطبيق في التطبيقات الزمنية الحقيقية. من الجدير بالذكر أن النظام المصمم بشكل مشترك حقق تقليصًا في زمن الاستدلال من 8212 مللي ثانية في تنفيذ البرمجيات فقط إلى 657 مللي ثانية، مما يثبت إمكانية استخدام معجلات FPGA في التطبيقات الطبية الزمنية الحقيقية. تفوق التصميم المقترح على الأنظمة السابقة المعتمدة على FPGA من حيث الدقة وكفاءة الموارد، مما يؤكد قابليته للتطبيق في البيئات ذات الموارد المحدودة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور الحاسم لتنفيذ الأجهزة في أنظمة الكشف عن النوبات الصرعية في الوقت الحقيقي، مع التركيز بشكل خاص على مزايا مصفوفات البوابات القابلة للبرمجة (FPGAs) بسبب قابليتها للتكوين، والتوازي، وكفاءة الطاقة. تم استكشاف منصات FPGA مختلفة في الأدبيات، بما في ذلك التنفيذات التي تستخدم التوليف عالي المستوى (HLS) على شرائح Xilinx Zynq-7000 وArtix-7. من الجدير بالذكر أن بنية الشبكة العصبية متعددة الطبقات (MLP) قد تم نشرها بنجاح على FPGA لاكتشاف النوبات، حيث اعتمدت بعض الأنظمة على هياكل من مرحلتين لتحسين استهلاك الطاقة من خلال استخراج الميزات من إشارات EEG داخل الجمجمة (iEEG). تم أيضًا استخدام تقنيات إعادة التكوين الجزئي الديناميكي (DPR) لتعزيز استخدام الموارد وتقليل تسرب الطاقة، مما يظهر تخفيضات كبيرة في استهلاك الموارد.
تناقش الورقة أيضًا دمج منهجيات متقدمة مثل تحويل الموجات المتقطعة (DWT) وتحليل المكونات الرئيسية (PCA) لاستخراج الميزات والتصنيف باستخدام آلات الدعم الشعاعي (SVMs) وآلات التعلم المتطرفة (ELMs). تهدف بنية CNN-LSTM الهجينة المقترحة إلى التقاط كل من الميزات المكانية والزمنية لإشارات EEG، مما يعزز دقة التصنيف لحالات الطبيعية، ما بين النوبات، والنوبات. تستخدم البنية نهج التصميم المشترك بين الأجهزة والبرمجيات، مستفيدة من نقاط القوة في معالجات ARM لعمليات CNN وFPGA لطبقات LSTM والطبقات المتصلة بالكامل، مما يحسن الأداء واستهلاك الطاقة. تشير النتائج إلى أن مصنف SVM حقق دقة اكتشاف تبلغ 99.4%، بينما أظهرت نماذج التعلم العميق، وخاصة CNNs وBi-LSTMs، دقة تصنيف واعدة، مما يبرز إمكانية تنفيذ تقنيات التعلم العميق المتطورة على منصات FPGA لاكتشاف النوبات في الوقت الحقيقي.
DOI: https://doi.org/10.21833/ijaas.2026.03.008
Publication Date: 2026-03-19
Author(s): Nousheen Akhtar et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study focuses on the development of a hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) model for the automatic classification of electroencephalogram (EEG) signals, aimed at enhancing early clinical intervention in patients with neurological disorders. The model is implemented on the Xilinx Zynq-7000 System-on-Chip (SoC) platform, where CNN layers are executed on ARM Cortex-A9 processors to extract spatial features, while LSTM and fully connected layers are processed in the FPGA fabric, facilitating real-time inference. The system was evaluated using the Bonn University EEG dataset, achieving a remarkable classification accuracy of 99.33% and an inference latency of 0.657 seconds per EEG segment.
The hardware-software co-design approach demonstrates significant efficiency improvements, including a 12.5× reduction in execution time compared to a full software implementation, alongside optimizations such as fixed-point quantization and efficient activation function approximations that lower power consumption. The architecture effectively utilizes resources like LUT, DSP, and BRAM, ensuring real-time performance while being suitable for deployment on resource-constrained embedded platforms. This research highlights the potential of hybrid deep-learning architectures for reliable, low-latency seizure detection, paving the way for future optimizations towards ASIC design and clinical applications.
Introduction
The introduction of the paper highlights the significant prevalence of epilepsy, affecting approximately 50 million individuals globally, and emphasizes the challenges associated with traditional manual analysis of electroencephalogram (EEG) signals for seizure detection. The World Health Organization (WHO) notes that up to 10% of the population will experience at least one seizure in their lifetime, underscoring the burden on healthcare systems. Manual EEG interpretation is slow, subjective, and prone to errors, necessitating advanced methodologies for efficient and accurate diagnosis. Recent advancements in deep learning, particularly through Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks, have shown promise in automating EEG analysis by effectively capturing both spatial and temporal features of the signals.
The paper discusses the transition from traditional visual inspection to machine learning (ML) models, which enhance the detection of epileptic seizures by automating feature extraction and pattern recognition. Various supervised learning classifiers, including Support Vector Machines (SVM), Random Forests (RF), and deep learning models like CNNs and LSTMs, are employed to differentiate between seizure and non-seizure states. The importance of feature extraction is emphasized, as raw EEG signals are complex and noisy. Techniques such as the Discrete Wavelet Transform (DWT) and Fast Fourier Transform (FFT) are highlighted for their effectiveness in decomposing EEG signals into meaningful features that improve classification accuracy. Overall, the introduction sets the stage for exploring advanced ML techniques and their potential to revolutionize real-time monitoring and intervention in epilepsy management.
Methods
The research utilized the publicly available Bonn University EEG dataset to train and test a hybrid CNN-LSTM model. This dataset comprises five subsets (A-E) of 100 single-channel EEG clips each, with clips lasting 23.6 seconds and sampled at 173.6 Hz. Subsets A and B contain EEG recordings from healthy individuals in both eyes-open and eyes-closed states, while subsets C, D, and E consist of recordings from patients with epilepsy, with subset E specifically capturing ictal (seizure) activity and subsets C and D representing interictal (non-seizure) states. The data was visually inspected to ensure artifact-free segments, facilitating a clear comparison of brain activity across normal and seizure states.
To mitigate bias in evaluation, the dataset was split into training and validation sets in a 90:10 ratio, employing a tenfold cross-validation approach to enhance statistical confidence. During training, a batch size of 34 was used, and the Adam optimizer was selected for its adaptive learning rate and robustness against noisy gradients. The initial learning rate was set to $1 \times 10^{-3}$, with regularization techniques applied to prevent overfitting. The model underwent training for 100 epochs, with performance monitored on a reserved validation fold after each epoch. The integration of convolutional and LSTM layers effectively captured spatial and temporal dependencies in the EEG data, reducing the need for extensive hand-engineered features. Categorical cross-entropy served as the loss function, allowing for real-time tracking of training and validation metrics, which indicated consistent improvement in convergence without divergence.
Results
The results of the study demonstrate the effectiveness of the CNN-LSTM model in classifying EEG signals across three states: Normal, Interictal, and Ictal. The model achieved an impressive overall accuracy of 99.33%, alongside a positive predictive value (PPV) of 99.33%, sensitivity of 99.33%, and specificity of 99.67%, as detailed in Table 1. The confusion matrix (Fig. 7) indicates that the model accurately classified nearly all samples, with only minor misclassifications between the Normal and Ictal classes, and perfect prediction of the Interictal class. This high performance underscores the model’s robustness and generalization capabilities.
The hybrid CNN-LSTM network was implemented on an AMD Zynq SoC using a hardware-software co-design approach, which allowed for efficient execution through fixed-point quantization. A precision analysis identified a 3.12 signed fixed-point format as optimal, balancing accuracy and hardware efficiency. The results showed that increasing the quantization bit width improved accuracy, with a significant drop in performance observed at 2 bits. The FPGA resource utilization was moderate, with only 13% of Look-Up Tables (LUTs) and 5.6% of Flip-Flops (FFs) used, indicating feasibility for real-time applications. Notably, the co-designed system achieved a reduction in inference time from 8212 ms in a software-only implementation to 657 ms, validating the potential of FPGA accelerators for real-time medical applications. The proposed design outperformed previous FPGA-based systems in terms of accuracy and resource efficiency, confirming its applicability in resource-constrained environments.
Discussion
The discussion section of the research paper highlights the critical role of hardware implementation in real-time epileptic seizure detection systems, particularly emphasizing the advantages of Field Programmable Gate Arrays (FPGAs) due to their configurability, parallelism, and power efficiency. Various FPGA platforms have been explored in the literature, including implementations utilizing high-level synthesis (HLS) on Xilinx Zynq-7000 and Artix-7 chips. Notably, a multi-layer perceptron (MLP) architecture has been successfully deployed on FPGA for seizure detection, with some systems adopting two-stage architectures to optimize power consumption by extracting features from intracranial EEG (iEEG) signals. Dynamic partial reconfiguration (DPR) techniques have also been employed to enhance resource usage and minimize leakage power, demonstrating significant reductions in resource consumption.
The paper further discusses the integration of advanced methodologies such as Discrete Wavelet Transform (DWT) and Principal Component Analysis (PCA) for feature extraction and classification using Support Vector Machines (SVMs) and Extreme Learning Machines (ELMs). The proposed hybrid CNN-LSTM architecture aims to capture both spatial and temporal features of EEG signals, enhancing classification accuracy for normal, interictal, and seizure states. The architecture employs a hardware-software co-design approach, leveraging the strengths of ARM processors for CNN operations and FPGA for LSTM and fully connected layers, thus optimizing performance and power consumption. The results indicate that the SVM classifier achieved a detection accuracy of 99.4%, while deep learning models, particularly CNNs and Bi-LSTMs, demonstrated promising classification accuracies, underscoring the feasibility of implementing sophisticated deep learning techniques on FPGA platforms for real-time seizure detection.