编辑推荐：
癫痫发作预测至关重要，但面临着发作前脑电图（EEG）数据稀缺等难题。研究人员提出基于转移网络的数据增强法和噪声鲁棒的多变量加权模糊粒度递归图法。该方法在相关数据库中表现卓越，为临床应用提供有力支持。
癫痫，这个神秘而又令人恐惧的脑部疾病，如同隐藏在大脑中的 “定时炸弹”，随时可能爆发，给患者的生活带来极大的困扰。全球超过 6500 万人深受其害，即便有药物和手术治疗，但仍有超 30% 的患者难以治愈。因此，提前预测癫痫发作，在其 “爆发” 前进行有效控制，成为了医学领域的重要研究方向。脑电图（EEG）信号能够反映大脑神经元的异常电活动，是癫痫预测的重要依据。然而，在癫痫预测的道路上，研究人员遇到了重重困难。一方面，获取足够的标注发作前样本极为困难，不仅成本高昂、耗时费力，而且发作前时期短暂，导致 EEG 数据严重失衡；另一方面，原始 EEG 信号容易受到电源、环境、眨眼等噪声的污染，尤其是头皮 EEG 信号，经过头骨和头皮的衰减后，信号微弱、信噪比低，这些都严重影响了癫痫预测的准确性。
为了攻克这些难题，来自国内的研究人员展开了深入研究。他们提出了一种基于转移网络数据增强和模糊粒度递归图的癫痫发作预测新方法，相关研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员主要运用了以下关键技术方法：一是基于转移网络的数据增强方法，通过随机游走算法，增强数据集的多样性，同时保留不同 EEG 通道之间的空间相关性，避免数据分布的扭曲；二是噪声鲁棒的多变量加权模糊粒度递归图，用于从 EEG 数据中提取非线性特征，克服了现有基于递归图的 EEG 信号分析方法对噪声敏感的问题。
下面来看看具体的研究结果：
- 数据集与预处理：研究使用了两个知名数据库，即 CHB-MIT 数据集和 AES 癫痫预测数据集。CHB-MIT 数据集包含 23 名患者的 EEG 数据，采样频率为 256Hz，采用国际 10 - 20 系统的 EEG 电极位置收集数据；AES 癫痫预测数据集也为研究提供了重要的数据支持。
- 实验结果：研究人员将提出的方法应用于癫痫预测，并与现有最先进的方法进行比较。结果显示，该方法在癫痫预测方面取得了卓越的性能。同时，通过消融研究分别验证了数据增强方法和多变量加权模糊粒度递归图方法的有效性。
在研究结论和讨论部分，研究人员提出的癫痫发作预测方法具有重要意义。基于硬 c 均值转移网络的数据增强方法，能够根据原始系统的状态转移特征生成时间序列，既捕捉了时间特征，又保留了不同 EEG 通道之间的相关性；多变量加权模糊粒度递归图有效提取了 EEG 数据的非线性特征。两者相结合，显著提升了 EEG 数据分析和癫痫发作预测的性能，为临床应用提供了可靠的解决方案，有望帮助癫痫患者更好地管理病情，提高生活质量。这项研究在癫痫预测领域取得了重要突破，为后续相关研究奠定了坚实的基础，推动了癫痫临床治疗的发展。
