一种基于多领域特征和脑电图（EEG）源估计与图论的癫痫发作预测方法

《Expert Systems with Applications》：A multi-domain feature-based epileptic seizure prediction method using EEG source estimation and graph theory

癫痫预测多域特征融合框架基于EEG源估计和图论，结合dSPM-SVD提取44脑区时空特征，通过超图卷积捕捉高阶空间关联，融合HMT与FDCA模型实现多尺度时频特征分析，在甘肃医院和CHB-MIT数据集验证有效性和泛化能力。

　　癫痫是一种由大脑神经元异常放电引起的疾病，全球影响着大约5千万人。目前大多数关于癫痫发作预测的研究仍停留在头皮层面，而本研究则尝试探索并利用大脑皮层区域之间的信息流动以及内在脑网络和功能机制来实现更精准的预测。为此，我们提出了一种基于脑电图（EEG）源估计和图论的多域特征融合癫痫发作预测框架。

在研究中，我们首先应用了dSPM（动态源估计方法）和奇异值分解（SVD）技术，从“HCPMMP1_combined”图谱中提取出44个子皮层区域的源活动信号。随后，我们通过相干性（COH）和相位滞后指数（PLI）构建脑网络，并基于图论计算出具体的网络拓扑特征，如介数中心性和 assortativity 系数，以描述脑网络的结构和功能连接模式。为了进一步增强复杂网络关系的建模能力，我们将这些特征扩展到高阶网络模型中。

在模型设计方面，我们构建了一个多域特征融合（MFH）预测模型，该模型采用了多分支结构。其中一个分支结合了超图卷积注意力机制和通过连续小波变换（CWT）提取的时间-频率节点特征，用于捕捉高阶空间相关性。另一个分支则输入皮层区域的时序信号，并结合混合Mamba2-Transformer专家（HMT）模型与频率域点积通道注意力网络（FDCA），以实现多尺度特征提取和分析。通过融合这两个分支的输出，我们的模型在甘肃省中心医院的癫痫EEG数据集以及CHB-MIT数据集上均取得了令人满意的预测效果。

癫痫发作预测的重要性在于，它可以为患者提供早期预警，从而采取预防措施，如及时服药或寻找安全环境，以减少癫痫发作带来的危害。此外，闭环神经调控技术能够基于实时监测的EEG信号自动调整治疗参数，当检测到即将发生的异常神经活动时，可以自动触发电刺激干预，以抑制癫痫发作区域的过度同步放电，从而降低癫痫发作的频率和强度。因此，癫痫发作预测的研究具有重要的临床价值。

在癫痫发作预测领域，近年来许多方法在特征提取和预测模型方面取得了显著进展。传统的机器学习方法，如支持向量机（SVM）、决策树、随机森林（RF）和朴素贝叶斯，已被广泛应用于EEG信号的特征提取和分类任务。这些方法能够提取具有解释性的特征，使研究人员能够直观理解分类决策的基础。特别是随机森林和朴素贝叶斯等集成方法，能够在评估特征重要性方面发挥独特作用，为EEG信号的时间-频率特性提供了可靠的分析工具。然而，这些基于手工特征提取的方法在训练过程中很大程度上依赖于领域知识和经验，缺乏足够的知识可能导致重要特征被忽略或无关特征被引入，从而影响模型的泛化能力。

相比之下，深度学习模型能够自动从不同域的特征中学习多层次、非线性的表示，这些表示通常比传统手工提取的特征更具判别性。在癫痫发作预测中，深度学习方法已经取得了一定的进展，例如Priya Prathaban和Balasubramanian（2021）采用3D优化卷积神经网络（3D CNN）进行预测，Li等人（2025）则使用了CNN-Informer模型，而Shan等人（2025）提出了MultiSincNet模型，这是一种具有可解释性的时空卷积神经网络多分支架构，能够有效提取EEG信号的局部空间状态。CNN模型在捕捉EEG信号的短期动态变化方面表现出色，但其在处理长期依赖关系时存在一定的局限性。为了解决这一问题，Wang等人（2024）采用CNN-LSTM模型，结合了短期和长期信息，以弥补CNN在捕捉长期依赖关系方面的不足，但其在捕捉复杂的时空动态方面仍显不足。

除了时间域的方法，基于空间域的深度学习方法也在快速演进。EEG信号能够帮助研究人员分析空间上相距较远的大脑区域之间的统计依赖关系。目前，大多数研究集中在头皮EEG信号的功能连接分析上。例如，Li等人（2022）提出了一种时空谱层次图卷积网络（STS-HGCN-AL）框架，以有效分析癫痫信号的时序和空间特性，从而提高癫痫发作预测的准确性。相较于低阶网络通过一系列二元关系间接近似复杂交互模式，高阶网络能够直接建模这些复杂的交互关系。Dong等人（2025）提出了一种名为Spatiotemporal Hypergraph Attention Transformer（STHAT）的框架，利用高阶网络捕捉超过二元关系的复杂交互模式，从而有效提升癫痫发作预测的准确性。此外，基于源定位的脑连接分析可以减少虚假相关性，并更直接地反映大脑区域之间的功能关系，因为它关注的是不同脑区域之间的连接，而非头皮电极之间的连接。例如，Shokouh Alaei等人（2023）使用精确低分辨率电磁断层成像（eLORETA）结合定向传递函数方法，基于24名抑郁症患者的静息态EEG数据构建了脑网络，并通过图论分析提取了连接强度和介数中心性等特征，随后应用SVM进行分类，取得了91.66%的准确率和87.5%的F值。

然而，目前基于源定位的癫痫发作间期（interictal）和发作前（preictal）状态的连接分析仍存在不足。我们进一步观察到，癫痫EEG时间序列信号在不同状态下的微观和宏观特征呈现出显著差异。在微观层面，EEG信号表现出与癫痫活动相关的特定高频振荡或波形模式。研究表明，高频振荡（HFOs，80–500 Hz）是癫痫发作区域的关键生物标志物，特别是在癫痫发作期间。这些模式包括尖波-慢波复合波、多个尖波等，它们反映了癫痫的不同阶段，如发作前、发作中和发作后。在宏观层面，EEG信号则表现出整体功率波动或特定频率带的活动变化，这些变化反映了癫痫EEG信号的不同状态。微观和宏观特征分别代表了细粒度和粗粒度的信息，值得注意的是，在时间序列预测和分类任务中，未来的变化往往由多个尺度上的变化共同决定。

基于上述问题，我们提出了一个基于EEG源估计和图论的多域特征融合癫痫发作预测框架。该框架分为两个主要阶段。在第一阶段，我们首先使用dSPM源估计方法结合SVD技术，从“HCP-MMP1”图谱定义的44个子皮层区域中提取源活动信号。然后，我们基于这些信号，使用COH和PLI构建脑网络，并计算图论特征，包括介数中心性和 assortativity 系数，以表征脑网络的拓扑结构和功能连接模式。此外，我们将这些特征进一步扩展到超图模型中，以增强对复杂网络关系的建模能力。

在第二阶段，为了有效整合多域特征，我们设计了一个MFH专家预测模型，该模型包含两个主要分支。第一个分支是频率和空间分支，该分支结合了超图卷积注意力机制和通过CWT提取的时间-频率节点特征，以捕捉皮层时间序列信号在频率域中的节奏特性以及在空间域中的高阶空间相关性。第二个分支是时间域分支，该分支输入源活动时间序列信号，并结合HMT和FDCA模型，以实现源信号的多尺度特征提取和分析，从而捕捉皮层EEG信号中的时间依赖性。

最终，两个解码分支的输出通过GRU Router和门控融合机制进行融合，以产生最终的分类预测结果。总体而言，我们的工作主要贡献包括以下几个方面：首先，我们提出了一种MFH模型，该模型能够自动进行癫痫预测，通过设计FDCA网络，捕捉EEG信号的频率域动态和全局通道依赖性，同时构建HMT模型以处理微观和宏观时间特征。通过采用自适应分割策略，我们实现了高效的神经活动特征提取，同时保持了线性计算复杂度。此外，我们设计了一个双流融合机制，包括层次超图卷积注意力网络（HGAN）和GRU路由器，以有效整合高阶脑网络拓扑特征和多尺度时空动态模式。其次，我们提出了一种自适应时间窗口分割方法，结合动态平衡因子，根据癫痫EEG数据中发作前和发作间期的时序不平衡情况，动态调整窗口数量和步长，确保在不同不平衡场景下生成平衡的时间窗口集，从而提高数据利用效率。最后，通过构建源估计和阈值COH和PLI网络，我们分析了不同年龄组中发作前和发作间期的连接模式差异。结果表明，发作间期表现出更多的高强度网络连接，这表明通过COH构建的高阶脑网络可用于区分与不同任务相关的EEG信号特征。

本研究的实验数据来自甘肃省中心医院的临床癫痫EEG数据集，该数据集涵盖了78名年龄在0至85岁之间的患者，包含总计1783.26小时的连续头皮记录。每位患者的平均记录时长为1371.73分钟，最短为225分钟，最长为4193分钟，标准差为571.24分钟。记录的采样率为256 Hz，分辨率为16位，采用国际10-20系统布局。在本研究中，我们选择了20个有效的通道和2个特定的参数进行分析。此外，我们还进行了低阶拓扑度量在脑网络中的统计分析，利用Kolmogorov-Smirnov（KS）检验评估了癫痫发作前、发作间期和健康个体之间的潜在差异。由于甘肃省中心医院的癫痫EEG数据集覆盖了广泛的年龄范围，我们能够更全面地分析不同年龄组中脑网络功能连接的差异。

在讨论部分，我们进一步探讨了该框架的性能和潜在应用。在时间域分析中，我们对源级别的EEG信号特征进行了多尺度分解，以捕捉粗粒度的宏观模式和细粒度的微观变化，从而实现对短距离和长距离依赖关系的有效建模。为了适应性地整合两个专家模型的贡献，我们设计了一个GRU路由器，使其能够动态学习宏观专家和微观专家的贡献。此外，在时间域分支中，我们应用了FDCA网络，以增强模型对特征上下文的敏感性。通过结合这些方法，我们的模型在不同年龄组的癫痫EEG数据集上均表现出良好的预测能力，同时保持了较高的泛化性能。

本研究提出的MFH框架在癫痫发作预测领域具有重要的意义。它不仅能够有效整合多域特征，还能够捕捉癫痫发作前和发作间期的复杂网络关系。此外，该框架的多分支结构能够分别处理频率-空间特征和时间特征，从而实现更全面的特征表示。通过自适应时间窗口分割方法，我们能够优化模型在不同不平衡场景下的性能，提高数据的利用效率。最后，通过分析不同年龄组中脑网络连接模式的差异，我们为个性化癫痫预测提供了新的思路和方法。

综上所述，本研究的MFH框架在癫痫发作预测方面展现出了良好的应用前景。它结合了EEG源估计、超图分析和多域特征学习，为实现精准、高效的癫痫预测提供了新的方法。未来的研究可以进一步探索该框架在更广泛人群中的适用性，并结合更多的临床数据进行优化和验证。此外，还可以考虑将该框架与其他神经调控技术相结合，以实现更全面的癫痫管理方案。