EEG Signal Processing: Applying Deep Learning Methods to Identify and Classify Epilepsy Episodes
1. 背景：
1.1 癫痫：
癫痫是一种慢性疾病，其特征是偏离正常的大脑电活动，导致由神经冲动放电引起的癫痫发作，目前被认为是排名第四的全球神经系统问题；
此外，根据世界卫生组织的数据，约有5000万人患有癫痫，每年约有240万患者被确诊，果考虑到这种情况，26人中有一人可能在生命的某个阶段患上这种疾病；
如今研究人员已经发现癫痫并不是突然发生的，而是在出现临床症状前几分钟以某种方式表现出来的，问题是这种状态是否能与中间状态区分开来；
这种状态可以用药物加以控制，因此一种能够预测下一次癫痫发作的方法将极大地提高患者的生活质量；
1.2 脑电图诊断：
脑电图（EEG）是一种常用的诊断癫痫的方法，因为脑电图信号包含了有关大脑电活动的重要信息，神经科学家可以根据它识别可能的异常；
然而，这种分析方法会消耗大量时间，并且受到潜在障碍的限制，如身体可能发生的无意识运动；
因此，开发一个识别和分类癫痫发作的系统是很重要的；
随着时间的推移，应用于纯脑电图信号的技术被用来将其分割成更短的序列；
它的基本原理是把初始信号分割成互不重叠的部分，每个部分根据患者的阶段进行分类：发作前（precious）、发作中（ictal）和发作后（postictal）；
随后，每个部分通过一个模块提取脑电图信号的特征，并将这些特征输入到一个 LSTM 网络，该网络根据提取的特征对患者的状态进行分类；
2. 数据库：
这些数据来自 CHB-MIT 数据库，可以在官网 https://doi.org/10.1016/j.eswa.2018.04.021 上免费获得；
数据库使用了 23 个样本，来自 22 名受试者：
- 5 名男性，年龄在 3 岁到 22 岁之间；
- 17 名女性，年龄在 1.5 岁到1 9岁之间；
每个样本中包含 9 到 42 个文件，采用 EDF 格式；
所有样本都以每秒 256 个采样的速度，以 16 位的分辨率采集；
3. 系统结构：
用于癫痫预测的 LSTM 网络基本构成为：
- 从 EEG 数据中获取初始信号，将其划分为不重叠的段；
- 这些 EEG 片段通过一个提取特征的模块，生成一个大小为 643×1 的向量，该模块包括时间和频率信号分析单元；
- 将这些信号段传入 LSTM 网络并进行分类：发作前，发作中和发作后；
3.1 分割数据：
初始信号被分割成不重叠的片段，并根据患者的状态进行分类：
3.2 LSTM 单元：
LSTM 单元的结构如下图所示：
其中：
- Write Gate 接收输入；
- Read Gate 计算输出；
- Keep Gate 负责决定保留/遗忘相关信息；
那么整个 LSTM 分类的结构为：
4. 实验结果：
（我：？？？这么草率的吗，，，）
5. 结论：
本文试图证明 LSTM 网络在预测癫痫发作的潜力，并证明了该方法提供显著的性能的分类而言；
