基于对抗学习(域适应)的脑电信号SEEG/EEG分类算法

本文主要是介绍基于对抗学习(域适应)的脑电信号SEEG/EEG分类算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

很久没有更新博客了，手头上有一些工作，发论文不是很顺利（论文已经中了，虽然是水刊，但还是很高兴），但是还是想通过博客的方式分享处理。

对抗学习（Adversarial Learning）的思想最早可以追溯到博弈论里面优化问题。GAN(Generative Adversarial Networks)网络是一种典型的基于对抗学习的神经网络。GAN的基本原理其实非常简单，这里以生成图片为例进行说明。假设我们有两个网络，G（Generator）和D（Discriminator）。G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。

这其实对于信号处理的工作是具有启发意义的。特别是对于脑电信号的处理，由于每个人的脑电信号受到个体因素的影响，信号中带有明显的个体特征。这些个体特征会影响到分类器的分类效果和模型的泛化能力。通俗来说，模型可能没有学会有意义的目标特征，而是学会了无关的信息导致模型在新人上的迁移能力较弱。
基于对抗学习脑电分类模型
于是我们设计了上面的一个基于对抗学习的脑电分类模型。
域对抗分类模型（Epilepsy Domain Adversarial Neural Network,EDANN）主要包含三个模块：编码模块，域判别模块，类判别模块。编码模块可以提取脑电信号的特征，域鉴别器主要用于确定是否一对SEEG片段来至于同一位患者，可以通过梯度逆转层（Gradient Reversal Layer,GRL）模块以对抗性方式对域鉴别器进行优化。它确保了网络无法基于领域知识进行分类，并减少了SEEG数据由于个体差异而对模型的干扰；类判别器是对目标SEEG数据进行分类。我们可以将编码器表示为 $f_{e}(X;\theta_{e})$ ，编码器用于提取多信道的脑电特征并降低原始脑电数据纬度。 $\theta_{e}$ 表示的是编码器学习到的参数。
类别判别器可以表示为 $f_{l}(f_{e};\theta_{l})$ ，类判别器可以给出输入数据 $X$ 的预测标签， $\theta_{l}$ 表示的是类别判别器学习到的参数。
域判别器可可以表示为 $f_{d}(f_{e};\theta_{d})$ ，域判别器是判别一对输入 $X_{1}$ 和 $X_{2}$ 是否来至于同一个病人。其中 $X_{2}$ 来至于数据的随机采样。最后的损失函数来至于两个部分，一个是来至于类别预测的损失函数 $\mathcal{L}_{l}(f_{l}(f_{e};\theta_{l}))$ , 另外一部分的损失函数来至于域判别器的损失函数 $\mathcal{L}_{d}\left(f_{d}\left(f_{e} ; \theta_{d}\right)\right)$ 。对于一对输入 $X_{1}$ 和 $X_{2}$ 损失函数可以定义为：

$\mathcal{L}\left(X_{1}, X_{2} ; \theta_{e}, \theta_{l}, \theta_{d}\right) = \mathcal{L}_{l}\left(f_{l}\left(f_{e}\left(X_{1} ; \theta_{e}\right) ; \theta_{l}\right)\right) -\gamma \mathcal{L}_{d}\left(f_{d}\left(f_{e}\left(X_{1} ; \theta_{e}\right) ; \theta_{d}\right), f_{d}\left(f_{e}\left(X_{2} ; \theta_{e}\right) ; \theta_{d}\right)\right)$
其中 $\gamma$ 是超参。为了方便起见，我们用 $Z_{1}$ 和 $Z_{2}$ 表示为输入数据 $X_{1}$ 和 $X_{2}$ 经过编码器 $f_{e}(X;\theta_{e})$ 的输出。对于类别判别器的损失函数可以定义为二元交叉熵：
$\mathcal{L}_{l}\left(f_{l}\left(Z_{1} ; \theta_{l}\right)\right)=-\left[y_{1} \log f_{l}\left(Z_{1}\right)+\left(1-y_{1}\right) \log \left(1-f_{l}\left(Z_{1}\right)\right)\right]$
其中 $y_{1}$ 表示的是输入数据 $X_{1}$ 的标签； $f_{l}(Z_{1})$ 表示的是类别分类器给出的预测值。对于域判别器的损失函数 $\mathcal{L}_{d}\left(f_{d}\left(Z_{1} ; \theta_{d}\right), f_{d}\left(Z_{2} ; \theta_{d}\right)\right)$ 可以定义如下：
$\mathcal{L}_{d}\left(f_{d}\left(Z_{1} ; \theta_{d}\right), f_{d}\left(Z_{2} ; \theta_{d}\right)\right) =\frac{1}{2} D\left(f_{d}\left(Z_{1}\right), f_{d}\left(Z_{2}\right)\right)^{2} I +\frac{1}{2}\left(\max \left\{0, m-D\left(f_{d}\left(Z_{1}\right), f_{d}\left(Z_{2}\right)\right)\right\}\right)^{2}(1-I)$
其中 $I$ 表示的是指示函数，它的取值范围为{0,1}； $I = 1$ 时表示两个样本 $X_{1}$ 和 $X_{2}$ 来至于同一个病人，相反， $I = 0$ 。 $D(\cdot)$ 是欧式距离函数， $m$ 是给定的数据的取值上界。对于所有的样本的损失函数 $\mathcal{L}_{t}$ 定义如下：
$\mathcal{L}_{t}=\sum_{i, j}^{N} \alpha \mathcal{L}\left(X_{i}, X_{j} ; \theta_{e}, \theta_{l}, \theta_{d}\right)$
其中 $N$ 表示的数据对的个数， $X_{i}$ 和 $X_{j}$ 表示的是输入的数据对； $\theta_{e}$ ， $\theta_{l}$ 和 $\theta_{d}$ 分别表示的是编码器，类别判别器和域判别器的参数， $\alpha$ 表示的是学习率。

EDANN模型的域分类器是Bilstm模型。Bilstm的工作原理是首先通过卷积神经网络提取窗口SEEG信号空间（窗口大小=1s）的局部特征.CNN模型编码每个SEEG片段每个窗口的16维表示，因此原始 SEEG段可以表示为矩阵大小为 $n\times15$ 的矩阵，其中N表示SEEG段的长度（n秒，n $\in$ [2, 15]）。然后利用BiLstm捕获两个方向表示之间的关系，然后及时学习SEEG信号的全局特性。根据全局特征，可以判断两个SEEG段是否来自同一域（两个SEEG段来自同一患者）。EDANN的类别分类器为Lstm或Transformer模型，根据选择的不同模型，可以将EDANN模型进行划分EDANN-Lstm和EDANN-Transformer，标签分类器可以根据编码器学习到的表示对目标SEEG片段进行分类。

数据集，我们从华山医院采集到了几位病人的数据：
在这里插入图片描述

将其进行随机切位不等的片段如下：
在这里插入图片描述
用留一法在不同病人的实验结果如下：

可以看到我们的模型取得最好的结果。
同时我们研究了信道排序和不排序的实验结果，这表明我们的数据预处理是合理的。

另外，我同时研究了窗口大小对于模型准确率的影响；
在这里插入图片描述
和超参对于模型的影响

最后做了消融实验

以上是我的实验，如果想看细节，可以看我的论文：Epilepsy SEEG Data Classification Based On Domain Adversarial Learning