《Engineering Applications of Artificial Intelligence》：Single-channel selection for epileptic seizure identification through a custom machine learning model
编辑推荐：
癫痫发作检测的个性化单通道EEG方法研究。基于患者癫痫发作位置选择相邻电极对，采用XGBoost算法构建监督学习模型，结合3秒时间过滤器有效降低误报率，在3名受试者中实现100%、99%、88%的检测准确率，证实单通道监测的可行性和临床应用价值。
Jusciaane Chacon Vieira | Ignacio Sanchez-Gendriz | Luiz Affonso Guedes
北里奥格兰德联邦大学（UFRN），Senador Salgado Filho大街3000号，纳塔尔，59078-970，RN，巴西
摘要
癫痫影响着全球数百万人，引发不希望出现的运动和感觉异常，极大地降低了患者的生活质量。通过监测系统检测这种状况可以在不完全依赖专业医生的情况下识别癫痫发作。我们的目标是使用个性化的监督机器学习模型（极端梯度提升算法）来识别每位患者的癫痫发作，仅使用一个脑电图（EEG）输入通道。我们的方法探讨了所选输入通道与患者癫痫发作位置之间的关系。结果显示，在应用每3秒检查一次发作存在与否的时间过滤器后，三名患者的准确率分别为100%、99%和88%。此外，观察到的结果与每位患者的受影响区域一致，证明了该方法在选择单一通道方面的有效性。这种方法证明了仅使用一个输入通道就能检测到癫痫发作的可行性，并强调了将该方法扩展到更多患者中的必要性。
引言
癫痫是一种影响全球5000万人口的疾病（世界卫生组织，2022年）。癫痫发作是该疾病的临床表现之一（Fisher等人，2005年）。运动性发作具有不可预测性，在某些情况下，药物无法完全消除这些发作（Santulli等人，2016年）。
癫痫发作的识别可以通过脑电图（EEG）检查来完成，专家通过从头皮（表面电极）或颅内（植入电极）获取信号来观察特征性的EEG波形（Schomer和Da Silva，2012年）。
在计算领域已经做出了大量努力，利用人工智能模型来识别（Siddiqui等人，2020年）和预防（Kuhlmann等人，2018年）癫痫发作。然而，许多研究使用了大量的电极（Abou-Abbas等人，2022年；Khan等人，2022年；Guerrero等人，2021年；Albaqami等人，2021a；Albaqami等人，2021b；Handa和Goel，2022年；Wu等人，2019年；Birjandtalab等人，2017年），这使得这种方法难以应用于未来的可穿戴设备中。
也有一些研究专注于仅使用一个电极通道（Kjaer等人，2017年；Jana等人，2023年；Liu和Woodson，2019年；Ammar和Senouci，2016年），但这些研究往往较少关注电极对之间的距离，且很多情况下没有提及共同的参考点。
EEG中癫痫发作的空间定位因患者而异，这取决于发作的类型和焦点位置（如果存在的话）。只要电极放置得足够靠近放电区域，就可以记录到癫痫发作（Sharbrough，1993年）。因此，针对每位患者定制的模型由于选择了特定的电极通道而表现出高效率（Bhattacharyya和Pachori，2017年）。
在这项工作中，我们提出了一种针对不同类型发作和焦点位置的受试者的定制方法，其中通道的选择基于模型性能、过滤后的性能以及患者的发作位置等变量。这种方法旨在选择一个性能优异的合适通道。
本研究的主要贡献包括：（i）为每位患者基于相邻电极对构建个性化通道；（ii）创建通道相关性的拓扑可视化图，以便临床解读结果；（iii）应用3秒的时间过滤器以减少误报和漏报；（iv）证明简单的分类器和少量特征足以实现高效的发作检测。这些贡献旨在使便携式和低成本的系统能够用于癫痫患者的持续监测。
本文的其余部分安排如下：第2节讨论了相关领域的研究。第3节描述了所使用的材料和方法，包括数据库的详细信息和提出的方法。第4节展示了获得的结果及其含义。最后，第5节总结了研究的主要结论。
相关研究
相关工作
本研究基于之前的研究（Vieira等人，2023年），该研究提出了一种使用EEG信号进行癫痫发作检测的通用方法。Vieira等人（2023年）仅使用五个通道就实现了96%的准确率，表明有可能大幅减少所需电极的数量。基于这些结果，人们认识到需要朝着个性化策略发展，以进一步减少通道数量并提高个体层面的准确率。
数据集
我们寻找了使用10-20个电极布置系统的数据库，并且这些数据库的通道记录允许去除共同的参考电位，以便应用本研究中提出的电极排列方式。选择数据库的另一个标准是数据库中包含发作类型和患者焦点位置的记录。因此，根据这些标准选择了两个数据库：贝鲁特大学医学中心（UBMC）（Nasreddine，
结果与讨论
在本节中，将分别展示对3名应用实验配置的个体的结果。
显示了对应于分析个体的拓扑地图，以及为两个评估类别（正常信号和癫痫发作信号）分别计算的性能指标值。由于数据集是平衡的，因此准确率、精确度、召回率和F1分数等指标能够提供一致的模型评估。
结论
本研究提出了一种使用机器学习检测单通道EEG信号的癫痫发作的个性化方法。所提出的方法表明，可以为每位患者选择一组在空间上靠近病灶区域的相邻电极对，从而在区分发作间期信号和发作期信号方面表现出高效率。
本研究的主要贡献之一是构建了由58对相邻电极对组成的通道。
CRediT作者贡献声明
Jusciaane Chacon Vieira：验证、方法论、资金获取、概念构思、初稿撰写、软件开发、研究、数据整理。Ignacio Sanchez-Gendriz：可视化、形式分析、审稿与编辑、方法论。Luiz Affonso Guedes：监督、项目管理、研究、概念构思、审稿与编辑、资源调配、方法论、形式分析。
关于写作过程中生成式AI和AI辅助技术的声明
在准备本工作时，作者使用了ChatGPT来协助翻译和编辑工作。使用该工具后，作者根据需要对内容进行了审阅和修改，并对出版物的内容负全责。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Jusciaane Chacon Vieira报告称获得了高等教育人员改进协调机构的财务支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了巴西高等教育人员改进协调机构（CAPES）的资助，资助编号为0001，该资助涵盖了第一作者的APC费用和博士奖学金。
