综述：癫痫分类研究进展：当前趋势与未来方向

这篇综述系统梳理了基于脑电图（EEG）信号的局灶性与非局灶性癫痫分类技术，重点探讨了机器学习（ML）和深度学习（DL）方法在克服传统分类挑战中的应用，包括混合模型设计、多模态数据整合及实时预测等前沿方向，为精准医疗提供新思路。

　　

Abstract

本文全面综述了利用脑电图（EEG）信号区分局灶性与非局灶性癫痫的最新进展。通过融合传统信号处理技术与机器学习算法，尤其是深度学习模型（如CNN、LSTM），显著提升了分类精度。文章重点探讨了混合模型设计、多模态数据整合及实时预测等创新方向，并指出当前面临的五大挑战：数据质量、信号复杂性、实时性、类别不平衡和泛化能力，为未来个性化癫痫诊疗提供了技术路线。

Background

癫痫作为全球影响5000万患者的慢性神经系统疾病，其局灶性（单脑区起源）与非局灶性（全脑活动）的准确区分直接影响治疗决策。传统EEG分析依赖人工判读，存在主观性强、效率低下的问题。深度学习技术通过自动提取EEG时空特征，克服了传统方法对非平稳信号（如非局灶性发作）的处理瓶颈，但依然面临临床落地挑战。

Method Details

Data Sources

四大主流EEG数据集支撑研究：

• Bonn数据集：含健康与癫痫患者的单通道EEG，采样率173.61 Hz
• CHB-MIT：22例儿科患者844小时多通道（24-27导联）数据
• Bern-Barcelona：5例耐药性颞叶癫痫患者的高频（512/1024 Hz）颅内EEG

Preprocessing Techniques

噪声处理四步法：

1. 伪迹去除：独立成分分析（ICA）分离眼电/肌电干扰
2. 滤波：带通滤波（0.5-70 Hz）联合50/60 Hz陷波滤波
3. 基线校正：小波去趋势消除低频漂移
4. 标准化：Z-score归一化解决跨通道差异

Feature Extraction Methods

特征工程双路径：

• 传统方法：时域（均值、方差）、频域（功率谱密度PSD）、非线性（李雅普诺夫指数）
• 先进技术：希尔伯特-黄变换（HHT）处理非平稳信号，递归量化分析（RQA）捕捉信号周期性

Classification Approaches

模型进化史：

• 传统ML：SVM（准确率85%）、随机森林（解决过拟合）
• 深度学习：CNN（空间特征）、LSTM（时序建模）
• 混合模型：小波变换+CNN，AUC达0.93

Future Directions

三大突破方向：

1. 多模态融合：EEG-fMRI联合定位致痫网络，EEG-基因数据指导个性化用药
2. 穿戴设备：低功耗SNN（脉冲神经网络）实现毫秒级实时预警
3. 可解释AI：梯度加权类激活映射（Grad-CAM）可视化模型决策依据

Conclusion

从傅里叶变换到深度学习的范式转变，使癫痫分类准确率提升至95%以上。未来需通过跨机构数据共享、轻量化模型部署和临床工作流整合，推动AI辅助诊疗系统真正落地。值得注意的是，基于EEG的癫痫预测系统已可实现发作前5分钟预警，为患者争取关键干预时间窗。