面向资源匮乏地区的癫痫诊断：基于图注意力网络与低成本脑电硬件的新方法

《IEEE Open Journal of Engineering in Medicine and Biology》：Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings

本研究针对低收入国家癫痫诊断工具稀缺的难题，开发了一种基于图注意力网络（GAT）的脑电信号分析框架。研究人员利用便携式低成本EEG设备在尼日利亚和几内亚比绍采集数据，通过构建时空图模型有效识别癫痫相关的功能连接特征。结果表明该模型在分类性能上优于随机森林和传统图卷积网络（GCN），特别在额颞区连接生物标志物识别方面具有临床可解释性，为资源受限地区提供了可部署于树莓派设备的轻量化诊断方案。

　　

在全球范围内，癫痫是第四大常见神经系统疾病，影响着超过5000万人的健康。然而在低收入和中等收入国家（LMICs），由于神经科医生匮乏和诊断设备昂贵，超过80%的癫痫患者无法获得及时诊断。这种医疗资源分配不均的现象在撒哈拉以南非洲地区尤为严重，当地不仅面临围产期并发症、中枢神经系统感染等高发病因，癫痫患者还常因社会歧视而隐瞒病情，导致死亡率高达高收入国家的三倍。

传统癫痫诊断依赖临床级脑电图（EEG）设备记录的异常放电模式识别，但这类设备在资源匮乏地区难以普及。尽管人工智能技术已在癫痫检测领域取得进展，现有研究多基于高精度医疗设备在受控环境中采集的数据，其模型在真实场景中的泛化能力存在局限。更关键的是，传统算法往往缺乏可解释性，无法为临床医生提供决策依据。

为解决这一难题，来自波兰AGH克拉科夫大学的研究团队提出了一种创新解决方案：通过消费级EEG设备结合图注意力网络（Graph Attention Networks, GAT）实现癫痫的自动检测。该研究首次在非洲农村地区（尼日利亚和几内亚比绍）使用Emotiv Epoc便携式脑电设备采集数据，包含163名癫痫患者和138名健康对照者的静息态脑电信号。研究团队特别设计了适用于低质量记录的信号预处理流程，包括0.5-45Hz带通滤波和基于10个成分的独立成分分析去噪，最终构建了包含14个通道的完整功能连接图。

关键技术方法包括：1）使用相位锁定值（Phase Locking Value, PLV）量化脑区连接强度；2）将GATv2Conv层中的注意力机制适配于边缘分析，通过6个注意力头和32维隐藏特征提取关键连接模式；3）采用轻量化架构在Google Colab平台完成训练后部署至树莓派4设备；4）结合Grad-CAM方法进行节点重要性可视化。

模型架构与性能比较

研究团队设计了双层GATv2Conv网络结构，通过留一交叉验证评估模型性能。如表I和II所示，在尼日利亚数据集上，GAT模型的AUROC达到0.78，显著高于随机森林（0.70）和GCN（0.64）；在几内亚比绍数据集上，GAT的AUROC进一步提升至0.82。值得注意的是，虽然随机森林在个别指标（如F1分数）偶有优势，但GAT在稳定性方面表现更优，且DeLong检验证实了性能差异的统计学显著性（p<0.05）。

注意力机制揭示生物标志物

通过分析学习到的注意力系数，研究发现最具判别性的连接集中于前额叶（AF3、AF4）和额颞区（F3、F4、FC5、FC6）电极之间。如图2和图3所示，两个数据集均显示出额叶内部及额叶-颞叶连接的重要性，其中AF3-AF4、F3-F4等连接权重最高。这些发现与临床实践高度吻合：额叶癫痫常表现为运动功能异常，而颞叶癫痫是最常见的局灶性癫痫类型。

节点级特征重要性

Grad-CAM分析结果（图4、5）进一步验证了前述发现，显示前额叶和额颞区节点对分类决策贡献最大。这种跨数据集的一致性表明，尽管尼日利亚和几内亚比绍样本的分类准确率存在差异（可能源于睁眼/闭眼协议执行细节不同），但GAT模型捕捉到的神经生物学特征具有普适性。

本研究通过将前沿图神经网络技术与低成本硬件相结合，成功突破了癫痫诊断的资源壁垒。GAT模型不仅实现了与临床级设备相当的检测精度，其注意力机制更提供了符合神经科学规律的生物标志物解释。这种"可解释性优先"的设计理念，使算法决策过程对医生透明，有助于建立临床信任。未来，通过集成联邦学习技术和扩展多中心数据集，该框架有望成为改善全球医疗资源分配不均的有力工具，真正实现"不让任何人因地域而失去健康权利"的愿景。