融合频谱特征、SMOTE 与长短期记忆网络精准探测脑区特异性癫痫发作的意义探寻

为解决癫痫治疗中确定致痫区的关键问题，研究人员开展了融合频谱特征、合成少数过采样技术（SMOTE）和长短期记忆网络（LSTM）检测脑区特异性癫痫发作的研究。结果显示，该方法检测性能高，有助于确定致痫区，提升临床诊疗水平。

　　通过脑电图（EEG）信号探究神经动力学，能为大脑活动研究提供宝贵信息，尤其在自动癫痫发作检测方面。确定致痫区对癫痫的有效治疗，特别是手术规划至关重要。本研究提出一种利用 EEG 信号检测癫痫发作的新方法，将频谱特征与长短期记忆（LSTM）网络相结合，并通过脑区特异性分析进行强化，旨在帮助临床医生更好地诊断和治疗癫痫。研究从 EEG 数据中提取关键频谱特征，捕捉重要的频域特性，提升 LSTM 网络对信号的表征能力。此外，研究运用合成少数过采样技术（SMOTE）处理类别不平衡问题。同时，对 EEG 信号进行全面的空间分析，评估不同脑区的性能差异，实现有针对性的区域分析。这一策略有效减少了所需的通道数量，降低了处理 CHB-MIT 数据集中全部 22 个通道数据的需求，在保持高癫痫发作检测性能的同时，显著降低了计算复杂度。在对癫痫鉴别表现最佳的脑区中，该研究获得的准确率均值为 95.43%，精确率为 95.46%，灵敏度为 95.59%，F1 评分 为 95.48%，特异度为 95.25%。研究结果表明，融合频谱特征和 LSTM 网络，结合空间分析，能够提高癫痫发作检测性能，有助于确定致痫区。该工具通过提高诊断精度、制定个性化治疗策略以及辅助癫痫的精准手术规划，提升了临床应用价值，确保手术切除更安全，治疗效果更好。