基于 EEG 微状态特征构建分类模型：助力区分青少年肌阵挛癫痫（JME）与额叶癫痫（FLE）

为降低青少年肌阵挛癫痫（JME）误诊率，研究人员开展基于脑电图（EEG）微状态特征构建 JME 分类模型的研究。发现 JME 与额叶癫痫（FLE）的 EEG 微状态特征差异显著，LDA 算法分类效果最佳，为癫痫诊断提供新方向。

　　本研究旨在基于脑电图（Electroencephalogram，EEG）微状态特征开发一种用于青少年肌阵挛癫痫（Juvenile Myoclonic Epilepsy，JME）的探索性分类模型，以辅助临床诊断并降低误诊率。研究共纳入 123 名参与者，其中 74 例确诊为 JME 患者，49 例为额叶癫痫（Frontal Lobe Epilepsy，FLE）患者。回顾性收集所有参与者的静息态 EEG 数据，经预处理后进行微状态分析，提取并分析 24 个微状态特征（包括持续时间、发生率、覆盖范围和转移概率）。最后，利用提取的微状态参数训练 6 种机器学习分类器，以区分这两种类型的癫痫。通过计算准确率、精确率、召回率、F1 评分和曲线下面积（Area Under the Curve，AUC）评估这些模型的性能。研究发现，微状态 A 的所有参数在两组间表现出高度一致性。然而，与 FLE 组相比，JME 组微状态 B 的发生率更低、覆盖范围更小，而微状态 C 的持续时间更长。此外，JME 组从微状态 B 到 C 和 D 的转移概率较低，而从 C 到 D 的转移概率显著较高。当将 EEG 微状态特征整合到 6 种机器学习分类器中时，线性判别分析（Linear Discriminant Analysis，LDA）算法实现了最佳分类性能（准确率为 76.4%，精确率为 79.5%，AUC 为 0.817）。本研究发现 JME 和 FLE 在 EEG 微状态特征上存在显著差异。基于 24 个微状态特征成功开发并验证了分类模型。这些发现强调了 EEG 微状态作为区分这两种癫痫类型的神经生理生物标志物的潜力。