KDD 2022 | 基于分层图扩散学习的癫痫波预测

会员服务 ·

KDD 2022 | 基于分层图扩散学习的癫痫波预测

2022 年 6 月 26 日 PaperWeekly

©作者 | 社媒派SMP

来源 | 社媒派SMP

论文标题：

BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning

论文链接：

https://www.cs.emory.edu/~jyang71/files/brainnet.pdf

论文作者：

陈俊儒（浙江大学），杨洋（浙江大学），余涛（浙江大学），范莹莹（浙江大学），莫晓龙（诺尔医疗），阳及（埃默里大学）

论文简介

癫痫是最常见的严重的神经系统疾病之一，其特征是神经生理活动异常，表征为癫痫发作或行为异常。截止到 2021 年，全球有超过 6,500 万癫痫患者，其中大约三分之一的癫痫患者对药物产生抗药性。换句话说，药物无法有效控制这些患者的病情，手术切除参与癫痫发作的大脑区域被认为是唯一有效的治疗方案。

为了评估定位癫痫发作区 (SOZ) 或者所谓的癫痫病灶，并指导癫痫外科手术，记录患者大脑的放电活动是必要的手段。这种电生理监测方法通常有两种类型：皮质脑电图（EEG）和立体脑电图（SEEG）。前者是非侵入性的，而后者是侵入性的（即需要在脑内插入电极），因此也包含更多的深层立体信息。例如，当 SOZ 位于大脑的深层结构（例如海马或岛状体）中，或者癫痫发作的偏侧性未知时，非侵入式检测便无法定位确切的癫痫发作病灶，此时，SEEG 方法是必要的。

为了促进癫痫治疗的发展，本文从研究团队合作的三甲医院处，收集到了一个基于真实患者记录的 SEEG 数据集，该数据集包含多个癫痫患者的高频多信道 SEEG 信号（平均每个患者有持续 53 小时、大小为 77GB 的记录）。基于这个数据集，本文进一步提出并研究了自动预测癫痫波的任务。

本文以图 1 所示为例，进一步介绍本文研究问题的细节。图 1（a）的顶部显示了一个人脑，该人脑的左上角插入了含有三个信道的电极。插入电极后，医生便可以收集和监视患者的 SEEG 数据；如图 1（a）的底部所示，实际的SEEG数据可以被视为连续的多信道时间序列。获得 SEEG 数据后，本文的目标是构建一种自动的数据驱动的方法来确定出现癫痫波的时间和位置（在图 1（a）中用黄色矩形标记）。

▲ 图1. 癫痫波检测的阐释。（a）一根带有三个通道的电极被植入患者大脑记录SEEG数据。（b）BrainNet的整体解决方案：在多个层次学习脑波的扩散模式，从而预测如（a）中虚线框所示的癫痫波段。

与现有的基于 EEG 数据来研究癫痫波的工作相比，由于 SEEG 数据的性质以及对脑电波扩散机制了解的不足，本研究面临一些独特的挑战。在临床实践中，癫痫波活动被认为是会在大脑的不同区域之间传播的，这启发本文进一步研究这种潜在的癫痫发生网络。但传播并不能被直接观察到，也不遵循任何已知的固定程式。实际上，癫痫发作并不一定会沿着大脑的解剖结构扩散，其传播路径甚至可能随着时间而发生巨大变化。因此，如何捕捉并量化真实的癫痫发作网络是本文面临的第一个挑战。

由于数据采集的高频性与长达数十天的监测，SEEG 通常会产生极大量的数据，但通常其中只包含数十分钟的癫痫发作数据，因此，癫痫发作的低频性导致了标签不平衡是第二个挑战。最后，由于电极伪影缺陷、机械噪声、癫痫间期波的干扰等固有问题，如何克服 SEEG 数据遭受的这些噪声的严重影响是本文面临的第三个挑战。

为了解决以上提及的挑战，本文提出了第一个基于数据驱动的全新的癫痫波检测模型，称之为 BrainNet。为应对第一个挑战，本文旨在找出潜在的癫痫发生网络，这个网络能够追踪癫痫波随时间扩散的过程。为此，BrainNet 采用结构学习算法和图神经网络的方式，来联合学习动态的扩散图以及建模癫痫波的扩散模式。对于第二个挑战，BrainNet 采用自监督学习方法来克服极端不平衡的标签问题。具体来说，本文提出使用双向对比预测编码（BCPC）来预训练每个通道的每个片段的表示。针对第三个挑战，为了使模型对噪声更加鲁棒，本文提出了具有分层框架的辅助学习任务。

最终，通过以上提及的所有技术设计，本文的模型具有捕获动态扩散过程与提高癫痫波检测任务准确性的能力。同时，本文基于包含了多个患者的大规模的真实 SEEG 数据集进行了大量的实验。实验结果验证了本文的模型在癫痫波预测任务上的有效性，同时，案例研究表明本文的模型具有良好的捕获癫痫扩散过程的能力。

模型预训练

鉴于海量的 SEEG 数据和癫痫波的低发作率，本文首先提出一个自监督学习（SSL）算法——双向对比预测编码（BCPC），预训练每个时间段和每个通道的表示，以充分捕捉和利用正常脑电波的模式。

遵循时间序列的经典自监督学习模型，对比预测编码（CPC），将前置任务设置为：使用基于片段中间部分的局部特征的自回归模型输出的全局上下文特征，来预测从编码器获得的片段头部和尾部的 P 个局部特征。与 CPC 不同的是，本文认为双向模型通过令上下文特征同时包含在时间维度上的两个方向的语义信息将使得模型的表达能力更有效，这在 BERT 和 ELMo 等现有工作中也得到了说明。因此，本文将预训练模型设计为以 skip-gram 的方式预测两个方向的上下文。

具体来说，本文使用预定义的多层卷积神经网络将原始 SEEG 信号嵌入为局部特征。为了使模型具有提取双向信息的能力，本文采用带有专门设计的掩码矩阵的 Transformer 作为自回归模型，以获得全局上下文特征（如图 2 所示）。

▲ 图2. BCPC的示意图。左侧表示预置任务；右侧为对应的掩码矩阵。

图扩散学习

尽管本文已经获得了每个时间段的表示，但通道之间的相互作用和潜在的扩散模式却被忽略了。因此，本文进一步提出了一个图扩散模块来明确地建模人脑中的扩散过程。更具体地说，本文采用在图结构学习和脑电波扩散两个步骤之间交替的方法，以端到端的、数据驱动的方式来达成这一目标。

图结构学习。 总的来说，对图扩散建模的挑战在于本文不知道通道之间的潜在相关性和扩散路径。因此，本文提出学习一个所有通道都是节点的图结构。解决这个问题的关键是如何量化一个通道对另一个通道的影响。行波是在不同通道传播过程中保持形状和频率等一些特征的波形，受大脑电活动中普遍存在行波这一现象的启发，本文提出基于此的结构学习算法。具体来说，本文首先计算出每对源节点集和目标节点集的相似度，为了保持图结构的稀疏性，并去除由低频波动或生理噪声引起的无关紧要和虚假的连接，接着使用一个包含一个可调的超参数的基于阈值的过滤函数来滤除不必要的边，最终可以获得学习到的扩散图结构。

脑波扩散。 构建的图表示通道之间的相对相关性。边权越大，越可能发生扩散。本文的目标是沿着构建的图跟踪扩散过程，以增强行波的表示。在癫痫发作期间，将出现更快速和显著的尖峰和波放电模式的传播，这意味着传播后的表征更加可区分。因此，鉴于图神经网络在图上具有天然的消息传递能力，本文采用这一类模型来模拟脑波扩散过程。

组件合并。 由于癫痫波的持续时间或长或短，BrainNet 学习了两种类型的扩散过程。具体而言，跨时间扩散自然地模拟了较长癫痫波在两个连续时间段之间的传播。同时，通过时间内扩散捕获每个通道相同时间段内的快速信号扩散。图扩散模块按照跨时间扩散、时间内扩散的顺序交替执行两个扩散步骤。经过图扩散模块处理之后的表示，会直接输入到判别器中参与癫痫波的预测。

▲ 图3 . BrainNet在通道层次的架构。首先原始数据经由BCPC得到段表征，再经由跨时间扩散和时间内扩散两个组件交替进行建模扩散过程，最后通过一个判别器得到预测结果。

层次化预测

以上介绍的图扩散模块是在通道层面进行的，然而，通道层面的扩散过程视野有限，缺乏更宏观的感知。在现实世界的场景中，医生通常会逐步为癫痫患者做出诊断：患者是否患有癫痫，哪些大脑区域是疑似癫痫区域，以及直接导致癫痫发作的大脑中的特定位置在哪里（可能会通过手术切除）。

受此过程的启发，BrainNet 采用分层结构来联合建模癫痫波及其在三个不同层次上的扩散过程，从高到低依次为：患者、大脑区域和通道层次（每个通道对应于大脑中的特定位置）。虽然本文研究的问题集中在通道级别，但实验发现可以从更高的层次提供一个更为宏观的观察视角，这有助于更精确地捕获癫痫波，特别是能够提高模型处理 SEEG 数据中严重噪声的鲁棒性。图 1(b) 阐明了 BrainNet 的层次化结构。

层次化标签构造。标签最初位于通道层次。按照与医生诊断相反的逻辑顺序，本文将一个大脑区域标记为癫痫，其中包含至少一个通道是癫痫。类似地，如果至少一个大脑区域异常，则认为患者处于癫痫发作状态。

高层次的表征学习。本文聚合来自较低层次的表示以获得较高层次的表示。虽然置换不变的池化操作有许多可选项，但本文采用最大池化操作来聚合表示，这是因为这种方法更符合层次化标签的构造过程，并且本文需要的是对较低层次的癫痫状态贡献最大的那些特征。

在池化操作之后，在高层次表示上通过图扩散模块以获得各自的目标函数。考虑到完全独立的参数不能保证一致的优化方向，因此本文让三个层次在图扩散模块和判别器 D 中共享相同的参数集，以对齐它们的表示空间。最终，本文联合优化三个层次上的不同任务。

实验结果

通道层次与患者层次主任务的性能：如表 1 所示，在通道层次的 F2 指标上，BrainNet 分别在正负样本比为 1：5、1：50 和 1：500 的数据集上比最优基准方法提升了 12.31%、36.66% 和 142.03%；在患者层次的 F2 指标上，BrainNet 在正负样本比为 1：5、1：50 和 1：500 的数据集上比最优基准方法平均提升了 50.95%。