一种新型的TSK模糊系统,结合多视图协同迁移学习技术,用于个性化癫痫脑电图(EEG)检测

《Neurocomputing》:A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection

【字体: 大 中 小 】 时间:2026年03月19日 来源:Neurocomputing 6.5

编辑推荐:

  癫痫检测中,提出基于多视图协同迁移学习的TSK模糊系统(MVTL-FS),通过多视图特征提取增强特征多样性,迁移学习解决目标域数据不足,结合MMD准则对齐跨域分布,实验表明在CHB-MIT数据集上平均准确率达97.32%,优于传统方法。

  
李安东|邓照红|娄琼丹
江南大学人工智能与计算机科学学院,教育部智能医疗技术工程研究中心,无锡,214122,中国

摘要

脑电图(EEG)在癫痫诊断中起着关键作用;然而,基于EEG的个性化癫痫检测(即为特定个体训练模型)仍面临若干挑战,包括特征选择有限、训练数据不足以及跨领域分布不一致等问题。为了解决这些问题,我们提出了一种基于Takagi-Sugeno-Kang模糊系统(TSK FS)的癫痫检测算法,并结合了多视图协同迁移学习(MVTL-FS)技术。该方法通过多视图特征提取增加特征多样性,利用源域知识转移缓解目标域的数据稀缺问题,并通过最大均值差异准则实现跨领域分布对齐。通过将迁移学习与多视图建模集成到一个统一的框架中,该方法有效提升了个性化模型的泛化能力。更重要的是,TSK模糊系统的规则库不仅提供了强大的非线性建模能力,还通过其模糊推理机制增强了模型的透明度和鲁棒性。在CHB-MIT数据集上进行了20次迁移学习实验,所提出的方法平均准确率为97.32%,比最佳非多视图基线提高了2.39%,比最佳多视图基线提高了2.79%。此外,模型分析进一步验证了该方法的鲁棒性,表明其在可靠个性化癫痫检测方面的潜力。

引言

癫痫是一种慢性脑部疾病。世界卫生组织(WHO)估计全球约有5000万人患有癫痫[1]。癫痫发作时脑神经元的过度放电可能是由多种因素引起的,这会导致中枢神经系统功能障碍。由于癫痫发作通常发生在夜间,仅依靠患者对过去事件的回忆进行诊断是不准确的。常见的癫痫检测方法包括病史记录、体格检查以及辅助检查(如脑电图(EEG)等重要的临床检查方法。EEG用于测量脑细胞的电活动[2]、[3]。从EEG活动中获得的观察结果可以有效用于临床诊断。在一项研究中,EEG检测到的癫痫发作次数是家庭成员和护士检测到的次数的29倍和7倍[4]。
除了癫痫,EEG还对多种神经系统疾病的诊断至关重要[5]、[6]、[7]、[8]。例如,Xi等人分析了中风患者基于EEG的功能性脑网络的拓扑特性,并发现中风会降低网络复杂性和连通性[7]。在另一个研究方向中,EEG在阿尔茨海默病识别方面显示出巨大潜力;N-TSK方法将功能网络特征与模糊学习相结合,实现了更高的准确性和可解释性,为自动化神经系统诊断开辟了新的途径[8]。这些进展凸显了基于EEG的智能分析在神经系统研究中的日益重要作用,其中癫痫检测是最早且研究最广泛的应用之一。
特别是自从Gotman[9]首次提出广泛使用的癫痫检测方法以来,利用智能算法辅助临床医生进行癫痫检测的应用受到了越来越多的关注[10]。自动癫痫检测的过程大致可以分为三个步骤:EEG信号采集、判别性特征提取和分类器构建。在本文中,我们重点关注后两个步骤,即特征提取和分类器设计。
特征提取是从EEG信号中获取有意义信息的关键步骤,也是有效模型训练的基础。不同的特征提取方法可以识别不同类型的特征,如时域特征、频域特征、时频域特征和非线性特征[11]、[12]、[13]。每种特征类型都有其优势:时域特征简单直观;频域特征揭示了EEG信号的频率成分变化;时频特征同时表征了时间和频谱信息;非线性特征(如分形维数、熵和模糊熵)衡量信号复杂性并减轻非平稳性的影响。然而,不同类型的特征也有各自的局限性。因此,根据具体应用场景或数据特性选择合适的特征提取方法仍然具有挑战性。
在分类器构建中,EEG信号识别通常被构建为二分类或三分类问题。在二分类设置中,目标是区分癫痫发作状态和正常状态。相比之下,三分类将EEG信号进一步分为正常状态、发作间状态和发作状态。神经网络[14]、[15]、朴素贝叶斯[16]、支持向量[17]和模糊系统(FS)[18]、[19]通常用于二分类。循环神经网络[20]、支持向量机(SVM)[21]、K近邻(KNN)[22]、使用C4.5算法的决策树[23]以及FS[24]已被用于EEG信号的三分类。近年来,还开发了端到端的深度学习方法用于EEG分析[25]、[26]。在上述方法中,基于模糊规则和模糊推理的FS在保持准确性和可解释性之间取得了良好的平衡。
尽管在自动癫痫检测方面取得了进展[27]、[28],但仍存在挑战。提取目标判别特征的难度是一个重要问题。除了传统的从单一视图提取特征的方法外,还使用了多视图特征提取和学习技术来应对这一挑战,这些技术可以有效利用不同视图的互补信息来提高检测性能[29]。另一个挑战是缺乏足够的样本来训练有效的患者特定模型。由于迁移学习技术能够基于相关任务中的现有知识改进特定任务的学习[30]、[31],因此被用于解决这一问题。虽然多视图学习和迁移学习缓解了这两个挑战,但它们通常不会同时得到解决,值得深入研究。
为了解决这些挑战,我们提出了一种新颖的多视图迁移学习TSK模糊系统(MVTL-FS)用于癫痫EEG检测。该框架在统一架构中结合了多视图学习和迁移学习的优势,并利用基于规则的模型的可解释性和模糊推理能力来提高分类性能和模型透明度。MVTL-FS整合了通过多种方法获得的多视图特征,实现了跨视图的信息互补利用。具体来说,在本文中,我们整合了时域视图、频域视图和时频域视图的特征。这种多视图整合提高了分类准确性,同时减少了对任何单一视图的依赖。此外,迁移学习用于将源域的知识整合到目标域,有效缓解了患者特定癫痫检测中的数据稀缺问题。模糊系统通过应用模糊规则有效处理不确定性,提高了模型的鲁棒性。另外,MVTL-FS通过阐明输入特征和输出之间的逻辑关系提高了模型的可解释性。最后,构建了一个多视图TSK FS分类器。
本工作的主要贡献总结如下:
  • 1)
    通过结合多视图学习和迁移学习,提出了一种基于TSK FS的分类模型构建方法——MVTL-FS。多视图学习使模型能够整合跨视图的知识,降低了选择适合特征提取的特定方法的难度。此外,迁移学习使模型在复杂场景中具有鲁棒性能。
  • 2)
    针对患者特定的癫痫EEG检测,我们提出了一种基于MVTL-FS的癫痫检测框架,称为TSK-MVTL-FS。该框架为使用MVTL-FS进行癫痫检测提供了详细的指导。与基于黑盒模型的框架相比,我们的方法具有更高的鲁棒性和透明度。
  • 3)
    在CHB-MIT数据集上进行了广泛的实验研究,以证明所提方法在患者特定癫痫检测中的有效性。
  • 本文的其余部分组织如下:第2节介绍主要技术背景。第3节详细描述了所提出的MVTL-FS方法。第4节讨论了通过MVTL-FS进行癫痫检测的程序。第5节报告了实验验证和分析结果。第6节给出了结论和未来工作方向。

    章节片段

    多视图学习用于癫痫检测

    多视图学习是一种学习范式,旨在通过利用来自多个视图的数据表示来提高建模性能[32]、[33]、[34]、[35]。它通过促进特征多样性和整合互补信息来克服单视图方法的固有局限性,从而提高整体性能。现有的多视图学习算法可以分为三类:协同训练[33]、多核学习[34]等

    基于多视图协同迁移学习的TSK模糊系统

    为了有效实施基于EEG的个性化癫痫检测,需要一个结构化的框架。通常,这些框架包括特征提取、模型训练和最终测试模块。作为框架的主要部分,本节介绍了算法组件,即所提出的MVTL-FS。完整的检测框架在第4节中有详细描述。

    基于多视图协同迁移学习的癫痫EEG检测

    本节提供了TSK-MVTL-FS癫痫检测框架的全面概述,该框架建立在之前介绍的MVTL-FS基础上。由于我们的方法基于TSK模糊系统,因此命名为TSK-MVTL-FS。TSK-MVTL-FS使用原始EEG信号作为输入来提取多视图特征。这些特征随后用于训练MVTL-FS分类器,为测试数据生成预测。在以下小节中,我们将详细介绍

    数据集

    本研究使用波士顿儿童医院的CHB-MIT数据集进行实验。该数据集基于国际10-20系统从头皮EEG电极收集,采样率为256 Hz,分辨率为16位。该数据集可在Physionet网站获取(https://archive.physionet.org/pn6/chbmit/)。
    为了评估MVTL-FS的性能,我们使用了前五名受试者的EEG信号进行性能比较,分别标记为S1、S2、S3、S4和

    结论性评论

    在本文中,我们提出了一种结合多视图协同迁移学习能力的TSK模糊系统,用于癫痫EEG检测。它整合了多视图学习、迁移学习和模糊系统来提高检测性能。所提出的MVTL-FS利用了不同视图的信息,并对每个视图应用迁移学习,以解决个性化诊断数据不足的问题。实验表明,与其他方法相比

    CRediT作者贡献声明

    娄琼丹:撰写 – 审稿与编辑、验证、资金获取。李安东:撰写 – 原始草稿、调查、正式分析、数据管理。邓照红:验证、方法论、资金获取、概念化。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

    致谢

    本研究部分得到了国家自然科学基金(NSFC)项目62176105、江苏省六才峰项目(项目编号XYDXX-056)、江苏省基础研究计划(项目编号BK20240315)、NSFC项目62406229以及江苏省高等教育机构基础科学(自然科学)研究项目(项目编号24KJB520039)的支持。
    李安东获得国防科技大学学士学位和江南大学博士学位,目前在上海工程技术大学人工智能研究所计算机与信息工程学院工作。他的研究兴趣包括机器学习、可解释人工智能、模糊建模以及它们的应用。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号