人脑内电生理信号定量分析及癫痫发作预测的自动特征学习

目的：本研究旨在利用颅内脑电图（iEEG）数据开发一种高效可靠的癫痫发作预测系统，特别针对药物难治性癫痫患者。预测过程应快速且准确，以便及时向患者发出即将发作的警告。方法：我们对人类颅内脑电图数据进行了定量分析，以了解大脑在癫痫发作前及发作间期的行为特征。随后，我们提出了一种高效的数据预处理方法，用于减少数据量并将时间序列的iEEG数据转换为类似图像的格式，以便作为卷积神经网络（CNNs）的输入。此外，我们设计了一种基于多尺度CNN合作机制的癫痫发作预测算法，用于自动学习iEEG数据的特征。结果：1) iEEG通道包含互补信息，排除个别通道会损失用于准确预测癫痫发作所需的空间信息。2) 传统的主成分分析（PCA）不是用于癫痫发作预测中iEEG数据降维的可靠方法。3) 手工设计的iEEG特征可能不适合实现可靠的癫痫发作预测性能，因为iEEG数据在不同患者之间以及同一患者的不同时间段存在差异。4) 癫痫发作预测结果显示，我们的算法优于现有方法，平均灵敏度达到87.85%，AUC得分为0.84。结论：了解大脑在癫痫发作前和远离发作时的行为有助于更好地设计癫痫发作预测器。意义：准确的癫痫发作预测算法可以提前警告患者下一次发作的风险，从而帮助他们避免危险活动。此外，可以通过给药来终止即将发生的癫痫发作，从而最小化受伤风险。