摘要
癫痫是一种由大脑神经元异常放电引起的慢性神经系统疾病。癫痫发作时会出现口吐白沫、四肢抽搐、失去意识等症状，给患者造成极大的身体伤害，甚至可能会有生命危险。临床上常采用脑电图进行癫痫诊断，但需要长时间监测，耗费大量时间的同时增加医生的工作负担，因此进行癫痫发作自动检测方法研究具有重要的临床价值和意义。针对癫痫标注数据样本较少的问题，本文基于半监督生成对抗网络进行癫痫发作检测方法研究，主要研究工作如下。 (1)为了避免判别器盲目学习无用的脑电图区域而影响最终的分类效果，将半监督生成对抗网络与混合注意力机制结合进行癫痫发作检测。在对脑电信号进行预处理后，构建半监督生成对抗网络模型，并通过均值滤波和阈值比较等后处理操作实现癫痫发作检测。在判别器模型中加入通道注意力模块和空间注意力模块，使判别器学习癫痫脑电信号的重要特征，提高检测性能。该癫痫发作自动检测方法在CHB-MIT脑电数据集约975小时的测试数据中，达到92.84％的平均灵敏度和94.60％的平均特异度。 (2)为建立轻量的癫痫数据生成网络，并进一步提高癫痫检测性能，提出一种基于半监督生成对抗网络和知识蒸馏的癫痫发作检测方法。采用U-Net结构分别设计教师网络和学生网络的生成器。然后通过计算相似度损失和输出层损失，以度量两个生成器输出之间的分布差异及两组输出在判别器上预测概率之间的差异。采用知识蒸馏，将复杂结构的教师网络的知识迁移到结构简单的学生网络中，从而减小模型的参数量和存储空间。在CHB-MIT数据集中进行性能测试，当学生网络的参数规模仅为教师网络的1/8时，达到93.30％的平均灵敏度、94.11％的平均特异度，验证了知识蒸馏在癫痫发作检测中的有效性。
NETL