"SeizeIT2：首个公开的局灶性癫痫患者可穿戴多模态数据集推动AI辅助癫痫监测技术发展"

癫痫发作的不可预测性严重影响了患者生活质量，而传统监测方法存在灵敏度低、资源消耗大等局限。为解决这一临床难题，KU Leuven等欧洲五所医疗中心联合开展了SeizeIT2研究，首次公开了包含11,600小时bte-EEG（耳后脑电图）、ECG（心电图）、EMG（肌电图）及运动数据的多模态可穿戴数据集，记录125名患者883次局灶性癫痫发作。该数据集采用BIDS（脑成像数据结构）格式存储，为开发自动化癫痫检测算法提供了重要资源，相关成果发表于《Scientific Data》。

　　

癫痫作为影响全球1%人口的神经系统疾病，其发作的突发性和不可预测性给患者带来巨大安全隐患。目前临床依赖的视频脑电图(vEEG)监测存在成本高、效率低的问题，而患者自行填写的癫痫日记记录灵敏度不足50%。更棘手的是，30%的癫痫患者属于药物难治性，需要更精准的发作监测来指导治疗。在这个背景下，开发可穿戴的持续监测技术成为破解临床困境的新希望。

比利时鲁汶大学（KU Leuven）电气工程系STADIUS中心的Miguel Bhagubai等研究人员联合欧洲五所癫痫监测中心，开展了名为SeizeIT2的创新研究。这项研究创造性地使用Sensor Dot可穿戴设备，在临床环境中同步记录癫痫患者的耳后脑电图(bte-EEG)、心电图(ECG)、肌电图(EMG)以及加速度计(ACC)和陀螺仪(GYR)数据。通过将11,600小时的多模态监测数据与金标准vEEG结果比对，研究团队建立了首个公开的局灶性癫痫可穿戴数据集，包含125名患者883次癫痫发作的详细标注，为人工智能算法开发提供了宝贵资源。该成果发表于《Scientific Data》期刊，标志着可穿戴癫痫监测技术向临床转化迈出关键一步。

研究团队采用了三项核心技术方法：1）使用Byteflies公司开发的Sensor Dot可穿戴设备同步采集bte-EEG（250Hz）、ECG/EMG（250Hz）和运动数据（25Hz）；2）通过欧洲五所医疗中心（包括比利时、德国、瑞典和葡萄牙）收集125名局灶性癫痫患者的临床数据；3）采用交叉相关算法将可穿戴数据与vEEG精确时间对齐，确保发作标注的准确性。

研究设计

研究采用多中心前瞻性设计，纳入标准为难治性癫痫患者，排除标准包括皮肤过敏或植入设备者。通过标准vEEG与可穿戴设备同步记录，确保数据质量。

数据集内容

数据集包含11,600小时可穿戴数据（5490小时男性、5018小时女性及1059小时儿科数据），平均每次记录4小时。883次癫痫发作中，71.5%为局灶性发作（FA和FIA），6.2%为局灶进展为双侧强直阵挛(FBTC)。

技术验证

研究团队开发了基于SVM（支持向量机）和ChronoNet（时序神经网络）的两种检测算法。在验证集上，ChronoNet模型表现出84.2%的敏感度，但每小时100.5次假阳性提示仍需优化。

使用说明

数据集采用BIDS格式存储在OpenNeuro平台，配套Python数据加载工具便于研究者使用。

这项研究通过建立标准化、可公开获取的多模态癫痫数据集，解决了可穿戴癫痫监测领域长期缺乏高质量基准数据的问题。特别值得注意的是，耳后EEG这种非侵入式采集方式在保持穿戴舒适性的同时，对颞叶癫痫（占数据集30%）展现出良好监测效果。虽然当前算法的假阳性率仍较高，但该数据集为优化算法性能提供了必要基础。从临床角度看，这种可穿戴解决方案有望显著提高癫痫发作检出率，弥补传统癫痫日记记录不足的缺陷，为精准调整治疗方案提供客观依据。未来研究可进一步探索多模态信号融合策略，并验证该技术在家庭环境中的适用性。

（注：全文严格基于原文事实撰写，专业术语如bte-EEG（耳后脑电图）、FBTC（局灶进展为双侧强直阵挛）等均在首次出现时标注英文全称，研究机构名称按国际惯例翻译并保留英文名称，作者姓名保留原文拼写格式。）