编辑推荐：
癫痫是常见脑部疾病，严重威胁患者生命健康。为精准预测癫痫发作，研究人员提出移动网络信息增益（M-NIG）法。该方法在多个数据集上预测准确率高，还能识别关键通道，为癫痫治疗提供新方向。
癫痫，这一常见的脑部疾病，如同隐藏在患者身体里的定时炸弹，随时可能 “引爆”，给患者的生活带来极大的困扰和痛苦。全球有超过 7000 万癫痫患者，而且这个数字还在逐年上升。尽管部分患者可以通过药物或手术控制病情，但仍有大约三分之一的患者深受难治性癫痫的折磨，无法得到有效的治疗。癫痫发作时，患者大脑神经元区域会突然出现异常放电，导致短暂的功能障碍，出现意识丧失、自主抽搐和精神异常等症状，严重威胁患者的生命和健康。如果能提前预测癫痫发作，就可以及时对患者进行药物干预或电刺激治疗，避免患者受到伤害，因此癫痫发作预测成为了医学领域的重要研究方向。
在这样的背景下，河南科技大学数学与统计学院、泰安市妇幼保健院等机构的研究人员开展了一项关于癫痫发作预测的研究。他们提出了一种全新的方法 —— 移动网络信息增益（M-NIG）法，通过构建多通道脑电图（EEG）信号之间的个体特异性相关网络，实现对癫痫发作的精准预测。该研究成果发表在《Scientific Reports》上，为癫痫的治疗和管理带来了新的希望。
研究人员为开展此项研究，主要运用了以下关键技术方法：首先，对原始癫痫数据集进行预处理，包括滤波和归一化，去除噪声干扰，使数据更适合后续分析；接着，引入滑动窗口算法截取时间序列片段，将原始数据转化为合适长度的样本；然后，基于欧几里得距离构建电极全局关联网络，并依据 k 近邻（KNN）原则提取局部网络；之后，计算节点概率、条件概率以及网络流熵等，从而得到平均累积信息增益（CIG）；最后，通过比较不同时间点的 CIG 计算干扰信息增益，得到 M-NIG 分数，以此预测癫痫发作 。研究使用了两个数据集，分别是来自 CHB-MIT 的公开 EEG 数据库和泰安市妇幼保健院自行收集的数据集。
下面来看具体的研究结果：
- CHB-MIT 数据库结果：研究人员使用 M-NIG 方法对 CHB-MIT 数据库中 22 名患者的 EEG 数据进行癫痫发作预测。在预测前，先对数据进行预处理，去除 57 - 63Hz 和 117 - 123Hz 频率范围内的噪声以及直流分量。通过构建每个患者的特定脑网络，得到 M-NIG 分数进行预测，并确定相应的动态网络生物标志物（DNB）通道。结果显示，该方法在 22 名患者上实现了 97.40% 的总体准确率、94.32% 的灵敏度、97.48% 的特异性和 0.024/h 的误报率（FPR） ，平均预测时间为 22 分钟，19 名患者的癫痫发作被全部正确预测。对于一些在全通道预测中结果不太理想的患者，如 Chb06、Chb12、Chb14 和 Chb18，计算其 DNB 通道的预警结果后发现，预测性能显著提升。与其他方法相比，M-NIG 方法在灵敏度、准确率和误报率等方面都表现更优。
- 泰安市妇幼保健院数据库结果：为进一步验证 M-NIG 方法的有效性和稳健性，研究人员将其应用于泰安市妇幼保健院收集的新癫痫头皮 EEG 数据集。该数据集包含 11 名癫痫患者的 EEG 数据，采样频率为 500Hz ，记录了 70Hz 高频和 0.5Hz 低频的 EEG 信号，去除了心电（ECG）和肌电（EMG）通道数据。选取部分患者进行预测，结果显示该方法在该数据集上达到了 95.70% 的准确率、100.0% 的灵敏度、95.56% 的特异性和 0.044/h 的 FPR，平均预测时间为 20 分钟，6 名患者的癫痫发作成功被预测，充分证明了该算法的有效性。
- 参数影响研究结果：研究人员还探究了滑动窗口参数和 KNN 中最近邻数量对 M-NIG 算法预测性能的影响。实验结果表明，当滑动窗口长度为 10 分钟、步长为 1 分钟时，模型在准确率和灵敏度方面达到最佳性能；KNN 中最近邻数量取 5 时，算法的准确率远高于取 3 或 8 时的情况 。
综合研究结论和讨论部分，M-NIG 方法能够有效量化个体 EEG 通道之间的相关性，构建个体特异性脑网络，准确预测癫痫的发作前状态，并识别出相应的 DNB 通道。该方法在两个数据集上都展现出了高效的预测性能，适用于癫痫发作预测的实时应用。不过，该算法也存在一定的局限性，例如对仅有一次癫痫发作的患者难以预测，头皮电极记录信号存在局限性，无法准确验证 DNB 电极与临床癫痫发作区域的关系等 。未来研究人员计划探索立体脑电图（SEEG）技术，以解决当前的这些局限。总的来说，这项研究为癫痫发作预测提供了新的思路和方法，对癫痫的临床治疗和管理具有重要的指导意义，有望改善癫痫患者的生活质量，减少癫痫发作带来的危害。
