《Acta Epileptologica》:Automatic EEG artifact detection using a local-global feature fusion network in time and time-frequency domains
编辑推荐:
背景:视频脑电图(Video electroencephalographies, VEEGs)常受伪迹影响,降低临床医师解读VEEGs数据的效率并可能导致诊断错误。反之,某些由自动症引起的发作期VEEGs伪迹(如节律性咀嚼与眨眼)可为颞叶癫痫提供重要诊断线索。
背景:视频脑电图(Video electroencephalographies, VEEGs)常受伪迹影响,降低临床医师解读VEEGs数据的效率并可能导致诊断错误。反之,某些由自动症引起的发作期VEEGs伪迹(如节律性咀嚼与眨眼)可为颞叶癫痫提供重要诊断线索。为解决上述挑战,本研究旨在开发一种能够自动识别与分类伪迹类型的算法,辅助临床医师区分干扰信号与发作信号。方法:本文提出一种基于时域与时频域(TDTFD)的局部-全局特征融合网络(Local-Global Feature Fusion Network based on Time-Domain and Time-Frequency Domain, LG-TDTFD-Net)用于检测与分类颞叶癫痫伪迹。该模型分别处理时域与时频信号,利用卷积神经网络(Convolutional Neural Network, CNN)从两域中提取局部特征。此外,对Transformer提取的特征进行卷积操作以捕获深层局部特征,从而获得同时涵盖全局、深层与浅层局部信息的特征集。结果:实验结果表明,所提方法在检测与分类颞叶癫痫伪迹方面表现优异,在临床与公共数据集上优于现有基线模型。结论:该方法通过利用特征拼接与基于CNN的融合,有效利用了三种特征类型间的互补性,增强了特征表示并提高了模型泛化能力。试验注册:中国临床试验注册中心,ChiCTR2300079319。注册于2023年12月30日。
研究背景方面,癫痫是影响全球约五千万人的神经系统疾病,其中颞叶癫痫是最常见的局灶性癫痫类型,约占三级医疗中心诊断病例的百分之六十六。视频脑电图(VEEGs)广泛用于检测脑电活动变化以诊断癫痫,但由于脑电图信号微弱,极易受到生理伪迹(如眼电图EOG、肌电图EMG)与非生理伪迹(如环境噪声、电极故障)的干扰。长期监测中伪迹易与生理波形混淆导致误判。既往研究多聚焦于伪迹去除(如回归模型、独立成分分析ICA、深度学习去除法),但研究发现颞叶癫痫发作伴发的自动症伪迹(节律性眨眼、咀嚼)具有重要诊断价值,且正常与发作期伪迹(如正常眨眼与发作期眨眼、正常咀嚼与节律性咀嚼)极易混淆。人工检测效率低且易错,尤其在视频盲区。传统机器学习依赖手动特征提取且难以优化,CNN限于局部感受野无法捕获长时依赖,循环神经网络(RNN)与长短期记忆网络(LSTM)难以并行训练,单纯Transformer易忽视局部特性,且现有方法多在单一域处理导致信息不全。因此,研究人员开展此项研究以开发LG-TDTFD-Net,旨在区分具诊断相关的病理伪迹与传统干扰伪迹,利用双域融合与局部-全局特征互补提升分类性能。结论表明该方法有效利用三类特征互补性,增强表示与泛化能力,在公私数据集上优于基线,对临床辅助诊断具重要意义,论文发表于《Acta Epileptologica》。
关键技术方法方面,研究人员采用双数据集:公共的坦普尔大学医院伪迹语料库(TUH Artifact Corpus, TUAR)与成都市第三人民医院的颞叶癫痫临床私有数据集,均重采样至250 Hz并分段为4 s。构建LG-TDTFD-Net模型,含时域特征提取(Time-domain feature extraction, TDFE)与时频域特征提取(Time-Frequency-domain feature extraction, TFDFE)双分支。TDFE用一维CNN(CONV1Da)提浅层局部特征,输入6层5头Transformer编码器提全局特征(Ftrans1),再经CONV1Db提深层局部特征并拼接融合;TFDFE用短时傅里叶变换(Short-Time Fourier Transform, STFT)生成谱图,二维CNN(CONV2Da)提浅层特征,Transformer提全局(Ftrans2),CONV2Db提深层局部并融合。双域特征经1D CNN核融合拼接后送入全连接与softmax分类,损失为交叉熵,优化器为Adam。
研究结果方面:
Dataset:使用TUAR公共数据集(310记录共99.98小时,标注EYEM、MUSC、CHEW、ELEC、SHIV五类)与成都三院私有临床数据集(23例颞叶癫痫VEEG各1小时,含MUSC、EYEM、CHEW、ELEC、BLINK、RC六类,取自FP1-F7等导联)。公共集分段长1 s、2 s、4 s、5 s,私有集分段4 s,保持样本数一致。
Evaluation metrics:采用准确率(Accuracy)、召回率(Recall)、F1-score评估,基于混淆矩阵的TP、TN、FP、FN计算。
Training process:Python 3.11与PyCharm环境,单GeForce 3090 GPU训练,Adam优化器学习率0.0002,β1=0.9、β2=0.999,批大小200,8比2划分训练测试集,五折交叉验证取均值。
Selection of best segment length:对比1 s、2 s、4 s、5 s段长,4 s段长在准确率、F1-score、召回率总体最高(参数4.5M至23M间,每轮训练3.5 s至7.1 s),虽5 s参增但未优于4 s,故选4 s为优。
Ablation study:设CNN、CNN-Transformer、CNN-Transformer-fusion、CNN-Transformer-CNN-fusion四渐增模块对比。加Transformer准确率、F1、召回各增6.7%、5.8%、6.7%;加融合模块再增3%、1%、3%;加深局部特征再增3%、5%、3%;加时频域特征再增3.1%、2.3%、3.1%。LG-TDTFD-Net全模块指标最高,收敛更快损失更低。
Fusion strategy comparison:对比特征加权融合(Feature-weighted-fusion)与加权CNN融合(Feature-weighted-CNN-fusion),所提CNN-Transformer-CNN拼接融合在准确率、F1、召回上分别优于前者4%、4%、4%,F1优于后者2%,故采用之。
Baseline comparison:对比CNN-tra、CNN-LSTM、ResNet-LSTM、RCNN-LSTM、PDBFusNet五基线。LG-TDTFD-Net在公共集CHEW超PDBFusnet 0.36%,EYEM超CNN-Tra 8.17%,ELEC超RCNN-LSTM 2.26%,MUSC超RCNN-LSTM 1.2%,综合准确率94.1%、召回0.941、F1 0.943最优。
Private dataset experiment:公集训练模型测私集,四类伪迹各400样本,CHEW 98.25%、ELEC 83.75%、EYEM 91.75%、MUSC 88.75%,除MUSC略低于RCNN-LSTM外均最高。六类分类(加RC、BLINK)平均准确率96.0%、F1 0.961、召回0.960。
讨论部分总结:研究人员指出LG-TDTFD-Net集成CNN与Transformer联合分析时域与时频域,全面捕获伪迹内在模式以识别癫痫相关信息与滤噪。消融中Transformer借自注意力提长程依赖,指标增约6.7%;融合局部全局再提约3%;CNN-Transformer-CNN补Transformer平滑致局部弱化,深局部特征提判别力再增约3%;引入时频域提动态频变再增约3.1%。融合策略中拼接加CNN优于加权法,简架构低计算。基线中单域法不及双域,RCNN-LSTM缺全局,PDBFusNet缺时域,CNN-Tra非端到端,LG-TDTFD-Net双域局部全局融合优。泛化测试私集优于基线,六类含发作期RC与BLINK分类佳,具临床参考。优势归双域并行补瞬态与频变、CNN局部与Transformer全局长程建模、抗非平稳噪稳性能。局限在未实临床部署、设备接口异、闭平台难集成、伪迹类限、仅颞叶癫痫未验他区、未去伪迹。未来扩伪迹类与癫痫区、建标准接口、封装模块入临床系统、检去伪迹兼施、入决策支持减负荷提效。
结论部分翻译:本研究成功开发并验证了创新的CNN-Transformer模型LG-TDTFD-Net,用于颞叶癫痫相关脑电图信号伪迹检测。模型核心创新在于其双域(时域与时频域)并行处理架构,能更全面稳健地捕获脑电图信号内在特征,有效区分伪迹并准确识别与发作检测相关的关键信息。在公共与私有数据集上的实验表现出色(公共数据集:准确率=94.1%,召回率=0.941,F1-score=0.943;私有数据集:准确率=96.0%,召回率=0.960,F1-score=0.961),充分验证模型有效性、鲁棒性与优越泛化能力。尤其在公共数据集上多指标优于基线,凸显双域融合策略在处理复杂非平稳脑电图信号中的显著优势。综上,LG-TDTFD-Net作为临床决策支持工具潜力巨大,可辅助医师更高效准确解读含伪迹脑电图数据,聚焦真与癫痫活动相关信息,从而提高诊断效率与可靠性。虽当前受伪迹类型与癫痫起源范围限制且聚焦检测非去除,但为未来工作奠定坚实基础。未来研究旨在检测更广谱伪迹并扩展模型适用性。