Part 1
导读
研究人员应用卷积神经网络(ConvNets)对病理和正常的脑电图记录进行区分。
研究人员使用两种基本的，浅的和深的卷积网络结构来解码从脑电图中任务相关的信息。在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集公布的唯一结果高了很多(大约提高了6%，≈85% vs≈79%)，而且在每次记录中仅使用1分钟进行训练和每次记录只用6秒进行测试时，准确率更高。
研究人员使用自动化的方法来优化体系结构的超参数，并发现了有趣的不同的卷积网络体系结构，例如，最大池作为唯一的非线性。卷积网络解码行为的可视化结果表明，使用了delta (0-4 Hz)和theta (4-8 Hz)频率范围的频谱功率变化，可能与其他特征一起使用，这与脑电图数据的频谱分析和文本医学报告的预期一致。对文本医疗报告的分析还强调了通过整合上下文信息(如受试者的年龄)提高准确性的潜力。
可以说脑卷积神经网络和可视化技术为下一步迈向临床有用的自动化脑电图诊断方面的研究奠定了新的基础。
Part 2
网络结构
下图为深度ConvNet架构。
黑色长方体：输入/功能图； 棕色长方体：卷积/池核。 相应的尺寸分别用黑色和棕色表示。
输入：21 × 601
也就是输入大小是 21 通道的 6 秒长的数据，采样频率是 100 Hz；
作者直接将原始时序数据作为输入，输入是 600 个样本(即对应 6 秒内采样数据。采样频率为100 Hz)；
从上图可以看到在Block 1中，输入大小为 ：601×21；
第一步：采用 25 个卷积核大小为 10×1的线性卷积核（无 ReLU 激活），对数据进行卷积，滑动步长为 3×1，得到大小为 198×21×25 的特征图；
第二步：采用 25 个卷积核大小为 21×25的空间滤波器（Spatial filter）对特征图进行卷积，得到大小为 198×25的特征图；
第三步：使用 3×1 大小的最大池化层对198×25的特征图进行池化处理。
上图为ConvNet架构的Block 2，在Block 2中，数据的输入大小为 196×25；
第一步：使用 50 个卷积核大小为 10x25的卷积核对Block 1中的输出进行卷积，使用ELU 激活，滑动步长为 3×1，卷积得到大小为 63x50 的特征图；
第二步：使用 3×1 大小的最大池化层对63x50的特征图进行池化。
由于Block 3、Block 4与Block 2 结构类似，所以分析方法类似。
最后利用全连接层对数据处理得到分类结果。
下面是浅层卷积网络结构：
Part 3
实验结果
数据集介绍：
The Temple University Hospital（TUH）脑电图异常语料库1.1.2是手动标记的正常和病理性临床脑电图记录的数据集。它来自TUH EEG数据语料库，其中包含来自12年以来的10000多个受试者的16000多个临床记录。异常语料库包含3017个记录，其中1529个标记为正常，而1488个标记为病理。语料库分为训练和评估集，如下图所示：
利用深浅ConvNet区分正常和病理性EEG的解码精度：
下面两幅图为频谱功率差和输入扰动网络-预测相关图。
(a)
（b）
(a)图为训练组的病理与正常相对光谱带功率差异。显示的是病理记录与正常（根据专家的评分）EEG记录的中值带功率之比的对数。
(b)图为Deep ConvNet（深度卷积网络，在顶部）和Shallow ConvNet（浅层卷积网络，在底部）的输入扰动网络-预测相关图。病理学类别的预测与幅度扰动的相关性。头皮图显示，例如，delta和theta频率范围的双边正相关，以及beta和低gamma频率范围的空间分布更广的负相关，表明ConvNets在决策中使用了这些频率分量。
论文信息：
Deep learning with convolutional neural networks for EEG decoding and visualization
参考： https://blog.csdn.net/weixin_44936889/article/details/104967430?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-3
