基于生成對(duì)抗網(wǎng)絡(luò)的癲癇發(fā)病判別方法

湯貴艷

（青島科技大學(xué)，山東青島 266061）

1 概述

癲癇是大腦神經(jīng)元突發(fā)性異常放電，導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。其發(fā)作具有頻繁、無(wú)預(yù)兆的特征，發(fā)作時(shí)不僅會(huì)導(dǎo)致短暫的注意力缺失或肌肉碰撞，嚴(yán)重時(shí)甚至?xí){到病人生命。近40 年來(lái)，神經(jīng)科學(xué)家一直認(rèn)為癲癇發(fā)作是在臨床發(fā)作前幾秒鐘突然發(fā)生的，但現(xiàn)在有越來(lái)越多的證據(jù)表明，癲癇會(huì)在臨床發(fā)病前幾分鐘到幾小時(shí)出現(xiàn)，這使得通過(guò)對(duì)病人腦電波的分析判斷癲癇發(fā)作，并及時(shí)給與藥物治療越發(fā)重要。

腦電波是診斷癲癇發(fā)作的重要檢查方法。由于腦電信息存在非線性、高度復(fù)雜性和不可預(yù)測(cè)性等特征，使得傳統(tǒng)方法不能快速準(zhǔn)確的做出判斷。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在各種應(yīng)用場(chǎng)景的大放異彩，越來(lái)越多的模型例如支持向量機(jī)[1-2]、BP 神經(jīng)網(wǎng)絡(luò)[3]等被應(yīng)用于預(yù)測(cè)判斷領(lǐng)域，并取得了良好的結(jié)果，生成對(duì)抗網(wǎng)絡(luò)(GAN)便是其中之一，網(wǎng)絡(luò)包含生成器與判別器兩個(gè)部分，兩部分通過(guò)對(duì)抗性過(guò)程同時(shí)訓(xùn)練。在訓(xùn)練過(guò)程中，生成器學(xué)會(huì)創(chuàng)造最符合真實(shí)分布的數(shù)據(jù)，而判別器學(xué)會(huì)判斷真實(shí)數(shù)據(jù)和虛假數(shù)據(jù)。通過(guò)這種對(duì)抗性學(xué)習(xí)，不僅可以提高生成器的生成性能，還可以有效提高判別器的準(zhǔn)確率。近年來(lái)，生成對(duì)抗網(wǎng)絡(luò)(GAN)模型已經(jīng)廣泛應(yīng)用于自然語(yǔ)言處理[4-5]、圖片生成[6-8]和目標(biāo)檢測(cè)[9-10]等領(lǐng)域，并且取得了顯著的進(jìn)展。

本文以生成對(duì)抗網(wǎng)絡(luò)(GAN)模型為基礎(chǔ)，同時(shí)針對(duì)腦電信息存在高度復(fù)雜性的特性，在判別器的設(shè)計(jì)過(guò)程中采用多個(gè)神經(jīng)網(wǎng)絡(luò)組合的方法，有效提高了判別器的準(zhǔn)確度。

2 關(guān)鍵技術(shù)

2.1 前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)，也被稱(chēng)為前饋網(wǎng)絡(luò)，是人工智能領(lǐng)域最出名的人工神經(jīng)網(wǎng)絡(luò)之一。前饋神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層三部分組成，其中每一層都包含多個(gè)神經(jīng)元。與循環(huán)神經(jīng)網(wǎng)絡(luò)不同，遞歸神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元只會(huì)輸入前一層的神經(jīng)元的輸出，并且將計(jì)算后的數(shù)據(jù)輸出到下一層神經(jīng)元。圖1 展示了一個(gè)基礎(chǔ)的前饋神經(jīng)網(wǎng)絡(luò)模型。

圖1 前饋神經(jīng)網(wǎng)絡(luò)示意圖

2.2 生成對(duì)抗網(wǎng)絡(luò)(GAN)模型

生成對(duì)抗網(wǎng)絡(luò)(GAN)模型是由Goodfellow 等人[11]于2014 年提出的，是無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)最具前景的方法之一。其構(gòu)建思想來(lái)源于博弈論中的零和游戲。GAN 模型由生成器和判別器組成，生成器和判別器通過(guò)對(duì)抗學(xué)習(xí)的方法來(lái)訓(xùn)練。生成器的訓(xùn)練目標(biāo)是生成符合真實(shí)分布的數(shù)據(jù), 而判別器的訓(xùn)練目的是判別輸入數(shù)據(jù)是來(lái)自真實(shí)數(shù)據(jù)還是由生成器生成的數(shù)據(jù)，并提高判別準(zhǔn)確率。在訓(xùn)練的過(guò)程中, 判別器和生成器需要不斷交替優(yōu)化, 提高其生成能力和判別能力。GAN 模型的計(jì)算流程與結(jié)構(gòu)如圖2 所示。

圖2 GAN 模型示意圖

在訓(xùn)練過(guò)程中，對(duì)于生成器而言就是盡可能地讓生成的數(shù)據(jù)更加真實(shí)，而判別器則盡可能地識(shí)別出數(shù)據(jù)的真假，生成器和判別器在不斷地進(jìn)行對(duì)抗，最終達(dá)到納什均衡：生成器生成的數(shù)據(jù)接近于真實(shí)分布，而判別器識(shí)別不出真假數(shù)據(jù)，對(duì)于給定數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率基本接近0.5，相當(dāng)于隨機(jī)猜測(cè)類(lèi)別。

3 癲癇發(fā)病判別模型

3.1 生成器

生成器是由一個(gè)兩層前饋神經(jīng)網(wǎng)絡(luò)構(gòu)成。生成器的輸入是一組隨機(jī)生成的向量，其取值從一個(gè)均勻分布[-1,1)中隨機(jī)采樣，且滿足高斯分布。生成器的輸出是一組與真實(shí)腦電波維度相同的向量。生成器的數(shù)學(xué)表達(dá)式如下：

其中，relu（·）為激活函數(shù)，x1為輸入的一組隨機(jī)生成向量，y1為輸出向量。

其中，y2代表生成器的輸出，其維度與真實(shí)腦電波相同。

3.2 判別器

判別器的輸入為由生成器生成的虛假腦電波向量或者真實(shí)腦電波向量。判別器最終通過(guò)一個(gè)sigmoid 函數(shù)輸出一個(gè)取值范圍在[0,1]的數(shù)，作為判別器識(shí)腦電波為真的概率，用來(lái)解決二分類(lèi)問(wèn)題。本文所提出的判別器如圖3 所示。

圖3 判別器構(gòu)造示意圖

針對(duì)腦電波具有高度復(fù)雜性的特征，本文將輸入向量切分成3 個(gè)片段，利用3 個(gè)前饋神經(jīng)網(wǎng)分別對(duì)片段進(jìn)行特征提取。然后將提取的3 個(gè)特征進(jìn)行拼接，最后利用一個(gè)全連接層和sigmoid 函數(shù)輸出判別器判別概率。具體步驟如下：

3.2.1 將輸入的腦電波向量，切分成三個(gè)向量，并且利用三個(gè)相互獨(dú)立的前饋神經(jīng)網(wǎng)絡(luò)對(duì)三個(gè)向量進(jìn)行特征提取，即

3.2.3 通過(guò)一個(gè)單層的前饋神經(jīng)網(wǎng)絡(luò)，將由步驟3.2.2 得到的向量y4映射到一個(gè)值在0～1 的數(shù)，作為判別器的輸出概率，即

其中，y5為判別器的輸出概率結(jié)果，W4，b4為未知參數(shù)。

4 模型訓(xùn)練設(shè)置

4.1 模型損失函數(shù)與優(yōu)化

GAN 模型由判別器和生成器兩部分組成，因此GAN 模型的損失函數(shù)也由判別器損失函數(shù)和生成器損失函數(shù)組成。判別器的損失函數(shù)與普通二分類(lèi)的模型相同，都是通過(guò)交叉熵來(lái)計(jì)算損失函數(shù)。交叉熵?fù)p失度量的是分類(lèi)模型的性能。交叉熵?fù)p失隨著預(yù)測(cè)概率偏離實(shí)際標(biāo)簽而增加。判別器的損失函數(shù)由判別虛假腦波時(shí)的損失函數(shù)和判別器判別真實(shí)腦波時(shí)的損失函數(shù)構(gòu)成，優(yōu)化后的目標(biāo)函數(shù)為：

其中，x 由真實(shí)腦電波數(shù)據(jù)分布Pdata（x）中獲得，z 由滿足高斯分布的隨機(jī)生成的噪聲Pz（z）中獲得。D（x）代表真實(shí)腦電波數(shù)據(jù)作為輸入時(shí)判別器輸出的概率。G（z）代表隨機(jī)生成的噪聲作為輸入時(shí)生成器生成的虛假腦電波數(shù)據(jù)。E（·）代表計(jì)算期望值。

生成器的優(yōu)化目標(biāo)是使得判斷器將生成的虛假腦電波數(shù)據(jù)錯(cuò)誤判斷成真實(shí)腦電波數(shù)據(jù)，即使得D（G（z））的值越大越好，因此優(yōu)化的生成器目標(biāo)函數(shù)可以寫(xiě)為：

生成器與判別器作為兩個(gè)網(wǎng)絡(luò)需要分別優(yōu)化。當(dāng)固定生成器時(shí)，對(duì)于判別器的優(yōu)化，可以這樣理解：輸入來(lái)自于真實(shí)數(shù)據(jù)，判別器優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)使自己輸出1，輸入來(lái)自于生成數(shù)據(jù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)使自己輸出0；當(dāng)固定判別器時(shí)，生成器優(yōu)化自己的網(wǎng)絡(luò)使自己輸出盡可能和真實(shí)數(shù)據(jù)一樣的樣本，并且使得生成的樣本經(jīng)過(guò)判別器的判別之后，判別器輸出高概率。優(yōu)化過(guò)程可以展示如下：

4.2 超參數(shù)設(shè)置

模型中所有可訓(xùn)練參數(shù)的初始值設(shè)置為均勻分布的隨機(jī)值[-0.08,0.08]。模型的學(xué)習(xí)率設(shè)置為0.0002。為避免過(guò)擬合，在選擇批量大小時(shí)，需要同時(shí)考慮訓(xùn)練時(shí)間和收斂速度。批處理規(guī)模越大，訓(xùn)練時(shí)間越快，但會(huì)導(dǎo)致收斂速度變慢。為了平衡訓(xùn)練時(shí)間和收斂速度，模型訓(xùn)練過(guò)程中的batch size 設(shè)置為64。

5 實(shí)驗(yàn)結(jié)果

5.1 數(shù)據(jù)集

本文所使用的數(shù)據(jù)集由115000 個(gè)標(biāo)記樣本點(diǎn)組成，其中每個(gè)樣本點(diǎn)為時(shí)長(zhǎng)1 秒的腦電波。圖4 展示了一個(gè)腦電波示意圖。樣本的標(biāo)記值為1 或0 ，其中1 代表癲癇發(fā)作，0 代表無(wú)癲癇發(fā)作，其中，2300 個(gè)樣本點(diǎn)標(biāo)記值為1，9200 個(gè)樣本點(diǎn)標(biāo)記值為0。本文從標(biāo)記值為1 的數(shù)據(jù)中隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集，其余20%的數(shù)據(jù)和9200 個(gè)標(biāo)記值為0（非癲癇發(fā)作）的數(shù)據(jù)共同組成測(cè)試集。

圖4 腦電波示意圖

5.2 實(shí)驗(yàn)環(huán)境

數(shù)據(jù)集以csv 格式存儲(chǔ)在高性能計(jì)算集群上，搭建實(shí)驗(yàn)環(huán)境。

硬件環(huán)境：AMD EPYC 7002, DDR4 32G, RTX2080TI。

軟件環(huán)境：Ubuntu 16.04，cuda 9.0，python 3.6，tensorflow 1.3[12]。

5.3 實(shí)驗(yàn)結(jié)果與分析

表1 預(yù)測(cè)準(zhǔn)確率對(duì)比表

為了進(jìn)一步說(shuō)明改進(jìn)后的GAN 模型的有效性，本文將改進(jìn)后的GAN 模型和基礎(chǔ)GAN 模型進(jìn)行對(duì)比性實(shí)驗(yàn)?；A(chǔ)GAN 模型判別器與生成器相同，僅有一個(gè)兩層前饋神經(jīng)網(wǎng)絡(luò)構(gòu)成。對(duì)比性實(shí)驗(yàn)中，改進(jìn)后的GAN 模型和基礎(chǔ)GAN 模型使用相同的數(shù)據(jù)集，且訓(xùn)練和測(cè)試配置完全相同。

6 結(jié)論

本文將生成對(duì)抗網(wǎng)絡(luò)(GAN)模型應(yīng)用于癲癇發(fā)病判斷，并且針對(duì)腦電波具有高度復(fù)雜性等特征，提出了一個(gè)基于生成對(duì)抗網(wǎng)絡(luò)的癲癇發(fā)病判別方法，通過(guò)對(duì)基礎(chǔ)GAN 模型的判別器的改進(jìn)，將其單神經(jīng)網(wǎng)絡(luò)變?yōu)槎嗌窠?jīng)網(wǎng)絡(luò)的組合，以此增強(qiáng)判別器特征提取的能力，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的GAN 模型在提高癲癇發(fā)病判別準(zhǔn)確率方面取得了更好的效果，對(duì)于臨床轉(zhuǎn)化具有重要意義。由于患者真實(shí)發(fā)病數(shù)據(jù)較少且出于保護(hù)病人隱私方面考慮，未來(lái)可在監(jiān)督學(xué)習(xí)的基礎(chǔ)上深入探索，逐漸向無(wú)監(jiān)督學(xué)習(xí)方向發(fā)展。