一种用于临床神经生理学中癫痫检测应用的主动干式接触式连续脑电图监测系统

《IEEE Transactions on Biomedical Engineering》：An Active Dry-Contact Continuous EEG Monitoring System for Seizure Detection Applications in Clinical Neurophysiology

本研究设计了一种低成本、可调节的干电极EEG头戴设备，结合可解释的深度学习模型和多模态去噪算法，显著提升新生儿癫痫检测的准确率（16.33%）和召回率（2.76%），信号质量与商用设备相当，有效平衡了成本与性能。

　　

摘要：

目标：幼儿和婴儿，尤其是新生儿，极易发生癫痫发作。如果未能及时发现并进行治疗，可能会导致严重的长期神经系统后果。早期检测通常需要在医院环境中进行连续脑电图（cEEG）监测，这需要昂贵的设备和高度专业的人员。本研究介绍了一种基于低成本主动干式接触电极的可调节脑电图（EEG）头盔，结合了一个可解释的深度学习模型，用于从简化处理的脑电图数据中检测癫痫发作，并采用了一种多模态伪迹去除算法来提高信号质量。方法：通过主动电极获取脑电图信号，并通过定制设计的模拟前端进行滤波和数字化处理。该可调节头盔采用三维打印和激光切割技术制造，以适应不同头型的需求。深度学习模型被训练用于实时检测新生儿癫痫发作，同时实现了一种专门的多模态伪迹去除算法，在去除伪迹的同时保留与癫痫发作相关的信息。在一名患有失神癫痫的儿科患者的典型临床环境中评估了系统的性能，同时记录了该提案设备与商用湿式电极cEEG系统的数据以进行比较。结果：该提案系统的信号与商用设备的信号之间的相关系数超过0.8。信噪比分析表明，其降噪性能与商用系统相当。与现有技术相比，深度学习模型的准确率和召回率分别提高了2.76%和16.33%。伪迹去除算法有效识别并消除了噪声，同时保留了与癫痫发作相关的脑电图特征。