DOI: https://doi.org/10.1038/s41598-024-67855-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39043914
تاريخ النشر: 2024-07-23
المؤلف: Jincan Zhang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول ورقة البحث الحاجة الملحة لطرق فعالة للكشف عن النوبات والتنبؤ بها لمرضى الصرع، الذين غالبًا ما يعانون من نوبات مفاجئة تؤثر بشدة على جودة حياتهم. يقترح المؤلفون نهجًا جديدًا يستخدم تقنية دمج الميزات متعددة الفئات مع نموذج شبكة عصبية تلافيفية-وحدة متكررة بوابة-آلية انتباه (CNN-GRU-AM). تبدأ الطريقة بتحليل الموجات لإشارات تخطيط الدماغ الكهربائي (EEG) باستخدام تحويل الموجات المنفصلة (DWT)، مما يؤدي إلى ستة نطاقات فرعية يتم من خلالها استخراج ميزات الزمن-التردد والميزات غير الخطية. ثم يقوم نموذج CNN-GRU-AM بمعالجة هذه الميزات للتصنيف. تكشف التحقق على مجموعة بيانات CHB-MIT عن مقاييس أداء مثيرة للإعجاب: حساسية تبلغ 99.24% و95.47%، خصوصية تبلغ 99.51% و94.93%، دقة تبلغ 99.35% و95.16%، ومنطقة تحت المنحنى (AUC) تبلغ 99.34% و95.15% للكشف عن النوبات والتنبؤ بها، على التوالي.
في الختام، تُظهر الطريقة المقترحة حساسية ودقة عالية في الكشف عن النوبات والتنبؤ بها، وهو أمر حيوي بشكل خاص للمرضى الذين لا يمكن إدارة حالاتهم من خلال العلاجات التقليدية. إن دمج دمج الميزات مع نموذج CNN-GRU-AM يعزز بشكل كبير من تحديد حالات إشارات EEG، مما يقلل من الإيجابيات الكاذبة ويسهل التدخلات في الوقت المناسب. بينما النتائج واعدة، يشير المؤلفون إلى أن مجموعة بيانات CHB-MIT تتضمن في الغالب مرضى أطفال، مما يشير إلى الحاجة إلى مزيد من التحقق عبر مجموعات سكانية متنوعة من المرضى. ستهدف الأبحاث المستقبلية إلى دمج ميزات إضافية واستكشاف نماذج تعلم عميقة متنوعة لتحسين قدرات الكشف عن النوبات والتنبؤ بها بشكل أكبر.
طرق
في هذه الدراسة، يقدم المؤلفون منهجية جديدة للكشف عن النوبات والتنبؤ بها، باستخدام مزيج من تحويل الموجات المنفصلة (DWT) ونموذج CNN-GRU-AM. يتم أولاً تصفية إشارات EEG وتحليلها إلى ستة نطاقات فرعية (D1-D5، A5)، يتم من خلالها استخراج ميزات مثل الانحراف المعياري (STD)، وكثافة الطاقة الطيفية (PSD)، وطاقة النطاق، وانتروبيا ضبابية (FuzzyEn). ثم يقوم نموذج CNN-GRU-AM بمعالجة هذه الميزات للتصنيف، محققًا إجمالي 10,645 ميزة عبر مجموعة البيانات.
تظهر النتائج التجريبية فعالية النموذج المقترح، خاصة في الكشف عن النوبات، حيث تظهر 22 من أصل 24 حالة قيم حساسية تتجاوز 98%، مع تحقيق 9 حالات لدرجات حساسية مثالية تبلغ 100%. تم الإبلاغ عن متوسط حساسية النموذج وخصوصيته ودقته ومنطقة تحت المنحنى (AUC) عبر جميع الحالات كالتالي: 99.24%، 99.51%، 99.35%، و99.34%، على التوالي. في مهمة التنبؤ بالنوبات، يحافظ النموذج على أداء قوي، مع متوسط حساسية يبلغ 95.47%، وخصوصية تبلغ 94.93%، ودقة تبلغ 95.16%، وAUC تبلغ 95.15%، مما يشير إلى أن الغالبية العظمى من الحالات تتجاوز 90% حساسية، مما يثبت فعالية النهج المقترح.
النتائج
تشير نتائج الدراسة إلى أن نموذج CNN-GRU-AM المقترح يتفوق على نموذج CNN-GRU في كل من مهام الكشف عن النوبات والتنبؤ بها، كما يتضح من تحليلات الحساسية المقدمة في الأشكال 7 و8. بينما يظهر نموذج CNN-GRU-AM عمومًا أداءً متفوقًا، تم ملاحظة استثناءات لحالات معينة (Chb04 وChb17 للكشف؛ Chb17 وChb21 وChb22 للتنبؤ). يُعزى الفعالية المعززة لنموذج CNN-GRU-AM إلى قدرته على التقاط الميزات الحرجة في بيانات الإدخال بشكل أكثر فعالية من نموذج CNN-GRU. بالإضافة إلى ذلك، يظهر نموذج CNN-GRU نفسه حساسية أعلى من كلا النموذجين CNN وGRU، مستفيدًا من استخراج الميزات المكانية لـ CNN وقدرة GRU على التقاط الاعتماديات طويلة الأمد.
يدعم تحليل منطقة تحت المنحنى (AUC) النتائج، حيث يحقق نموذج CNN-GRU-AM باستمرار قيم AUC أعلى عبر حالات متنوعة في كل من مهام الكشف عن النوبات والتنبؤ بها، كما هو موضح في الأشكال 9 و10. وهذا يشير إلى قوته التمييزية، على الرغم من أن مهمة التنبؤ تقدم تعقيدًا أكبر، مما يؤدي إلى قيم AUC أقل قليلاً. تكشف المقاييس المقارنة في الأشكال 11 و12 أن نموذج CNN-GRU يحسن بشكل كبير من النماذج الفردية CNN وGRU، مما يدمج بشكل فعال الميزات المكانية والزمانية. يؤدي إدخال وحدة الانتباه في نموذج CNN-GRU-AM إلى تحسينات ملحوظة في الحساسية والخصوصية والدقة وAUC لكلتا المهمتين، مما يبرز تفوقه على نموذج CNN-GRU.
نقاش
في هذه الدراسة، يقدم المؤلفون نموذج CNN-GRU-AM جديد للكشف عن النوبات والتنبؤ بها، باستخدام مجموعة بيانات CHB-MIT، التي تتكون من تسجيلات EEG من فروة الرأس لمرضى مختلفين. تستخدم مجموعة البيانات نظام 10-20 الدولي لاكتساب إشارات EEG، حيث يتم التقاط البيانات بمعدل عينة يبلغ 256 هرتز. تؤكد الأبحاث على أهمية خطوات المعالجة المسبقة، بما في ذلك تقليل الضوضاء وتحويل الموجات المنفصلة (DWT) لتفكيك الإشارات، مما يحافظ على سلامة المعلومات بينما يمكّن من استخراج الميزات بشكل فعال. تشمل الميزات الرئيسية المستخرجة الانحراف المعياري (STD)، وكثافة الطاقة الطيفية (PSD)، وطاقة النطاق، وانتروبيا ضبابية، والتي تعزز بشكل جماعي قدرة النموذج على تمييز الأنماط المعقدة في إشارات EEG.
يدمج نموذج CNN-GRU-AM المقترح الشبكات العصبية التلافيفية (CNN) لاستخراج الميزات المكانية، ووحدات متكررة بوابة (GRU) لالتقاط الاعتماديات الزمنية، وآلية انتباه (AM) لإعطاء الأولوية للميزات المدخلة الهامة. تظهر النتائج التجريبية أن هذا النموذج يتفوق على النماذج التقليدية CNN وGRU، محققًا متوسط حساسية يبلغ 95.47% ودقة تبلغ 95.16% في مهام التنبؤ بالنوبات. تشير النتائج إلى أن نموذج CNN-GRU-AM لا يتفوق فقط في مقاييس الأداء مقارنة بالطرق الحالية، ولكنه أيضًا يؤسس إطارًا قويًا للتقدمات المستقبلية في الكشف عن النوبات والتنبؤ بها، خاصة في الفئات السكانية للأطفال. ستركز الأبحاث المستقبلية على تقييم النموذج عبر ديموغرافيات مرضى متنوعة واستكشاف تقنيات دمج ميزات إضافية لتعزيز فعاليته بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-024-67855-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39043914
Publication Date: 2024-07-23
Author(s): Jincan Zhang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper addresses the critical need for effective seizure detection and prediction methods for epilepsy patients, who often experience sudden seizures that severely affect their quality of life. The authors propose a novel approach utilizing a multi-class feature fusion technique combined with a convolutional neural network-gated recurrent unit-attention mechanism (CNN-GRU-AM) model. The method begins with the wavelet decomposition of Electroencephalography (EEG) signals using Discrete Wavelet Transform (DWT), resulting in six subbands from which time-frequency domain and nonlinear features are extracted. The CNN-GRU-AM model then processes these features for classification. Validation on the CHB-MIT dataset reveals impressive performance metrics: a sensitivity of 99.24% and 95.47%, specificity of 99.51% and 94.93%, accuracy of 99.35% and 95.16%, and an AUC of 99.34% and 95.15% for seizure detection and prediction, respectively.
In conclusion, the proposed method demonstrates high sensitivity and accuracy in detecting and predicting seizures, which is particularly vital for patients whose conditions are unmanageable through conventional treatments. The integration of feature fusion with the CNN-GRU-AM model significantly enhances the identification of EEG signal states, thereby reducing false negatives and facilitating timely interventions. While the results are promising, the authors note that the CHB-MIT dataset predominantly includes pediatric patients, suggesting the need for further validation across diverse patient populations. Future research will aim to incorporate additional features and explore various deep learning models to further improve seizure detection and prediction capabilities.
Methods
In this study, the authors present a novel methodology for the detection and prediction of epileptic seizures, utilizing a combination of discrete wavelet transform (DWT) and a CNN-GRU-AM model. The EEG signals are first filtered and decomposed into six subbands (D1-D5, A5), from which features such as standard deviation (STD), power spectral density (PSD), band energy, and fuzzy entropy (FuzzyEn) are extracted. The CNN-GRU-AM model then processes these features for classification, achieving a total of 10,645 features across the dataset.
The experimental results demonstrate the efficacy of the proposed model, particularly in seizure detection, where 22 out of 24 cases exhibit sensitivity values exceeding 98%, with 9 cases achieving perfect sensitivity scores of 100%. The model’s average sensitivity, specificity, accuracy, and area under the curve (AUC) across all cases are reported as 99.24%, 99.51%, 99.35%, and 99.34%, respectively. In the seizure prediction task, the model maintains robust performance, with an average sensitivity of 95.47%, specificity of 94.93%, accuracy of 95.16%, and AUC of 95.15%, indicating that the majority of cases surpass 90% sensitivity, thus validating the effectiveness of the proposed approach.
Results
The results of the study indicate that the proposed CNN-GRU-AM model outperforms the CNN-GRU model in both seizure detection and prediction tasks, as evidenced by sensitivity analyses presented in Figures 7 and 8. While the CNN-GRU-AM model generally shows superior performance, exceptions were noted for specific cases (Chb04 and Chb17 for detection; Chb17, Chb21, and Chb22 for prediction). The enhanced efficacy of the CNN-GRU-AM model is attributed to its ability to capture critical features in the input data more effectively than the CNN-GRU model. Additionally, the CNN-GRU model itself demonstrates higher sensitivity than both the CNN and GRU models, benefiting from CNN’s spatial feature extraction and GRU’s capacity for capturing long-term dependencies.
The analysis of the Area Under the Curve (AUC) further supports the findings, with the CNN-GRU-AM model consistently achieving higher AUC values across various cases in both seizure detection and prediction tasks, as shown in Figures 9 and 10. This indicates its robust discriminatory power, although the prediction task presents greater complexity, resulting in slightly lower AUC values. Comparative metrics in Figures 11 and 12 reveal that the CNN-GRU model significantly improves upon the individual CNN and GRU models, effectively integrating spatial and temporal features. The introduction of the attention module in the CNN-GRU-AM model leads to notable enhancements in sensitivity, specificity, accuracy, and AUC for both tasks, underscoring its superiority over the CNN-GRU model.
Discussion
In this study, the authors present a novel CNN-GRU-AM model for seizure detection and prediction, utilizing the CHB-MIT dataset, which comprises scalp EEG recordings from various patients. The dataset employs the International 10-20 System for EEG signal acquisition, capturing data at a 256 Hz sampling rate. The research emphasizes the importance of pre-processing steps, including noise reduction and discrete wavelet transform (DWT) for signal decomposition, which preserves information integrity while enabling effective feature extraction. Key features extracted include standard deviation (STD), power spectral density (PSD), band energy, and fuzzy entropy, which collectively enhance the model’s ability to discern complex patterns in EEG signals.
The proposed CNN-GRU-AM model integrates convolutional neural networks (CNN) for spatial feature extraction, gated recurrent units (GRU) for capturing temporal dependencies, and an attention mechanism (AM) to prioritize significant input features. Experimental results demonstrate that this model outperforms traditional CNN and GRU models, achieving an average sensitivity of 95.47% and accuracy of 95.16% in seizure prediction tasks. The findings indicate that the CNN-GRU-AM model not only excels in performance metrics compared to existing methods but also establishes a robust framework for future advancements in seizure detection and prediction, particularly in pediatric populations. Future research will focus on evaluating the model across diverse patient demographics and exploring additional feature fusion techniques to further enhance its efficacy.