基于EEG深度学习模型的小鼠超急性大血管闭塞性脑卒中检测研究及其临床转化潜力

本综述系统探讨了利用深度学习模型（EEGNet）分析脑电图（EEG）数据在小鼠超急性期大血管闭塞（LVO）脑卒中检测中的应用。研究通过永久性大脑中动脉闭塞（pMCAO）模型模拟LVO，采用七折交叉验证证实模型在1.5小时内达到97.9%的准确率和0.977的AUC值，展现了EEG技术在卒中早期诊断与非侵入性实时监测中的巨大潜力。

　　

引言

缺血性脑卒中是全球范围内致残和死亡的主要原因之一，其中大血管闭塞（LVO）导致的卒中严重程度最高。LVO常引发广泛的脑组织损伤，临床表现为急性神经功能缺损，常伴有运动、认知和感觉功能的严重损害。血管内血栓切除术（EVT）是LVO所致卒中的标准治疗方法，但其疗效高度依赖时间，且仅有少数医院具备EVT能力。因此，快速识别LVO患者并将其迅速转运至有能力进行EVT的中心至关重要。然而，当前的临床评估方法面临诊断准确性和全面性不一致的挑战。虽然计算机断层扫描血管造影（CTA）、磁共振血管造影（MRA）和常规血管造影等成熟技术能提供可靠诊断，但由于耗时且需要专用设备，它们无法在院前环境中使用。因此，开发早期LVO检测工具，尤其是在院前护理中，仍然是一个关键目标。

脑电图（EEG）作为一种有前景的院前卒中分诊技术，能够在脑缺血发生后立即检测到脑功能变化，甚至在细胞死亡之前。多项研究发现EEG在LVO检测中具有中等到高度的诊断准确性。然而，将EEG从医院基础的癫痫诊断工具转变为院前卒中诊断工具面临诸多挑战。其中之一是EEG信号的高效解读和自动识别问题。目前，EEG数据分析主要依赖于人工标记和传统算法，这不仅耗时，还需要专业人员准确解读。此外，现有研究缺乏能够可靠评估早期卒中的EEG特异性生物标志物。这些限制显著阻碍了EEG在急诊环境中快速评估急性卒中的实际应用。

另一个开发诊断算法的挑战是需要足够大且可靠的数据集。在临床环境中，准确捕捉卒中发作时间，特别是在最初6小时内，仍然困难。当前研究强调缺乏专门针对这一关键早期时间窗口的诊断研究。为解决这一限制，本研究采用永久性大脑中动脉闭塞（pMCAO）小鼠模型模拟卒中过程，并在超急性期获取高分辨率EEG数据。通过利用深度学习技术从这些早期EEG记录中提取相关特征，我们的目标是建立一个强大的诊断框架，能够在症状出现后的关键小时内识别卒中相关生物标志物，从而为早期检测机制提供宝贵见解，并为未来的临床研究奠定基础。

方法

2.1 动物

研究使用了20只C57BL/6雄性小鼠（8-12周龄，体重25-30克）。动物维持12小时光暗周期（早8点开灯），自由获取食物和水。所有动物实验均经过北京脑科学与类脑研究中心机构动物护理和使用委员会（IACUC）审查和批准（批准ID：LARC-T019）。程序被认为符合伦理要求，并根据美国国立卫生研究院（NIH）实验室动物护理和使用指南、ARRIVE指南以及所有相关的国家动物研究法规进行。

2.2 手术

2.2.1 EEG电极

采用不锈钢16电极（科斗产品）记录电活动。动物使用异氟烷麻醉，诱导浓度3%，维持浓度2%。记录电极根据特定的立体定位坐标相对于前囟定位在每个半球，电极记录示意图见图1A。这些电极通过钻入颅骨的小孔植入硬膜下，用不锈钢螺钉（科斗）固定，随后用牙科水泥密封。手术后，小鼠接受术后镇痛（美他辛，0.1 mg/kg），并允许恢复7天。

2.2.2 pMCAO和假手术

10只小鼠接受pMCAO手术。简言之，将硅涂层的单丝（北京Cinontech有限公司）引入颈外动脉（ECA），并小心地通过动脉管腔进入颈内动脉（ICA），向大脑中动脉（MCA）推进。单丝前进直到感到坚实阻力，表明已到达MCA并造成闭塞。术后，小鼠被放置在保持温暖温度的恢复室中以防止低体温。5只小鼠接受假手术；假手术动物接受相同的麻醉和动脉暴露，但不进行MCA闭塞。

2.2.3 TTC

pMCAO引起的梗死通过2,3,5-三苯基四唑氯化物（TTC）染色分析。3只小鼠在缺血诱导24小时后通过颈椎脱位处死。仔细取出大脑，并使用脑矩阵（LEAGNE BIOTECHNOLOGY, DK0005）切成1毫米厚的冠状切片。然后将这些切片在室温下用1% TTC在1% PBS中染色10分钟。染色的冠状切片被数字化。

2.3 EEG记录与预处理

2.3.1 EEG记录

卒中前，小鼠接受连续EEG监测24小时。卒中后第一小时，小鼠处于麻醉恢复阶段，未进行EEG监测。随后，进行连续EEG监测5小时（图1C）。EEG信号使用科斗（苏州）脑机技术有限公司的KEDOUBC记录系统（型号RHD1024A）以1 kHz采样率采集和分析。

2.3.2 EEG预处理

EEG信号使用MNE（v1.7.0）、PyTorch（v2.2.2）、NumPy（v1.24.3）、SciPy（v1.10.1）和scikit-learn（v1.4.2）进行预处理，采用1-40 Hz带通滤波器并下采样至256 Hz。然后，EEG信号被分成5秒段，每段包含1280个数据点（5秒×256 Hz）。每段被标记为卒中（标签=0）或健康（标签=1），这些分段信号用于训练和测试模型。

2.4 模型架构与评估

2.4.1 EEGNet模型

本实验选择了EEGNet，一个专为多通道EEG信号设计的轻量级卷积神经网络。模型配置了默认超参数，包括时间滤波器长度F1=64，空间深度乘数D=2，和丢弃率p=0.5。EEGNet通过一系列卷积操作提取空间和时频特征。该架构非常适合处理高维EEG信号，使其成为本研究的理想选择。最初，在超急性期5小时内收集的EEG数据被输入EEGNet模型进行二分类（卒中与健康）。采用7折交叉验证，其中一个小鼠数据集作为测试集，其余六个作为训练集。这个过程对每只小鼠重复进行，结果在所有七个实验中取平均（图2）。随后，EEG数据被分成六个不同的时间间隔进行相同分析：前30分钟和连续的小时段直至第五小时。模型在PyTorch中实现，运行在AMD CPU（R9-3950X, 3.5 GHz）和NVIDIA GPU（RTX 3090）上。使用学习率为0.001的Adam优化器优化模型性能。

2.4.2 评估

模型性能使用以下指标评估：

1. 1.
   准确率（Acc）：表示模型在测试集上正确预测的百分比。该指标有助于确定模型的整体性能；TP（真阳性）：真实情况，预测为阳性且实际为阳性；FP（假阳性）：错误阳性，预测为阳性但实际为阴性；FN（假阴性）：错误阴性，预测为阴性但实际为阳性；TN（真阴性）：真实阴性，预测为阴性且实际为阴性。值越高，模型分类结果越好。
2. 2.
   精确率：在预测为阳性的样本中，正确预测的比例，基于预测结果。精确率越高，结果越可靠。
3. 3.
   召回率：在实际阳性案例中，正确预测为阳性的比例，基于实际样本。召回率越高，模型漏掉的阳性案例越少。
4. 4.
   F1分数：作为衡量二分类模型精确率和召回率平衡的统计指标。较高的F1分数意味着模型的精确率和召回率较高，通常被认为是模型性能更好的标志。
5. 5.
   ROC曲线和AUC：接收者操作特征（ROC）曲线表示模型区分类别的能力，曲线下面积（AUC）提供一个表示性能的单一值。AUC值接近1表示出色的区分能力。
6. 6.
   标准差（std）：标准差是统计学中的重要概念，用于衡量结果的离散程度。较小的标准差表示结果更集中，表明模型更稳定。

2.4.3 分类结果可视化（t-SNE）

t-分布随机邻域嵌入（t-SNE）是一种非线性降维技术，用于可视化高维数据。它特别适用于揭示数据中的复杂模式。本实验中，t-SNE应用于EEGNet模型最后一层的输出，以可视化提取的特征。

结果

本研究使用了20只小鼠，其中17只接受了电极植入，2只小鼠术后死亡。在成功接受电极植入的15只小鼠中，10只接受了pMCAO手术，其中2只在6小时内死亡，1只在尸检时被诊断为蛛网膜下腔出血；5只小鼠接受了假手术，其中1只术后死亡。因此，本实验的数据集包括7只pMCAO小鼠和4只假手术小鼠的EEG记录。此外，3只接受pMCAO手术的小鼠在24小时后通过颈椎脱位处死进行TTC染色，梗死区域如图1B所示。

3.1 基于5小时EEG数据的深度学习模型开发

使用EEGNet算法提取小鼠在整个超急性期的EEG特征，并基于这些特征构建了深度学习模型。在训练过程中，损失曲线随着epoch数的增加逐渐下降并最终稳定，表明模型已成功收敛。为了进一步评估模型的稳定性和可靠性，我们进行了七折交叉验证，评估模型在不同数据子集上的性能，以确保其泛化能力和诊断准确性。通过对整个超急性期EEG数据的综合分析，我们使用几个关键指标评估了模型的性能，包括ACC（0.979±0.122）、AUC（0.977±0.031）、精确率（0.964±0.124）、召回率（0.977±0.175）和F1分数（0.966±0.022）。这些指标用于评估模型在超急性期区分卒中和健康状态的能力，提供了模型诊断性能和稳定性的稳健度量（图3）。

3.2 深度学习模型在每小时间隔中的评估

为了加深对卒中后EEG信号动态变化的理解，提供更准确的诊断见解，并丰富时间序列数据以训练深度学习模型以提高预测性能，我们将小鼠超急性期卒中模型分成五个不同的每小时间隔进行分析。详细的评估参数包括每个时间间隔的ACC、AUC、精确率、召回率、F1分数和Std。如表1所示，模型在6小时超急性期内实现了高且稳定的准确率，值分别为99.2%（1.5小时内）、95.1%（2小时）、98.0%（3小时）、99.8%（4小时）、97.1%（5小时）和97.0%（6小时）。同样，AUC、精确率、召回率和F1分数在几乎所有间隔中都保持在0.95以上，仅观察到轻微波动（例如，F1分数在3小时时略微下降至0.936）。这些变化可能是由于生理变异性或样本级随机性，并不表示性能的系统性下降。鉴于 uniformly strong 分类结果，时间间隔之间的差异相对较小，可能具有有限的统计或实际意义。这进一步支持了模型在卒中后早期期间的持续性能和诊断效用。

3.3 深度学习模型的早期诊断能力

鉴于模型在不同时间段，特别是在1-22小时内，在区分卒中和健康状态方面表现出高准确性，我们进一步研究了模型能够可靠检测卒中的最早时间点。为此，我们分析了卒中发作后最初1.5小时内收集的EEG数据。如表1和图4A所示，分别展示了分类指标和t-SNE可视化，模型在早期保持了异常高的分类准确性，准确率为99.2%（0.992±0.013），AUC为0.982±0.023。这些发现表明，模型即使在超急性期，卒中发作后的最初1.5小时内，也保持了强大的诊断能力。

3.4 使用深度学习模型区分卒中与假手术

为了消除麻醉或其他混杂因素对EEG数据的潜在影响，我们比较了pMCAO组和假手术组的EEG记录。如表1所示，结果表明分类模型能够准确区分两组。这一发现表明模型的优异性能与卒中的发生密切相关，而不是归因于麻醉或其他外部因素。通过分析pMCAO组和假手术组之间的显著差异，我们进一步验证了与卒中状态相关的EEG信号的具体变化。这些发现证实了分类模型在区分卒中和非卒中条件方面具有高准确性和可靠性。

3.5 模型在卒中区分中性能的T-SNE分析

基于t-SNE分析，结果表明深度学习模型能够准确区分我们定义的每个时间段内的事件。通过将每个时间间隔的EEG信号映射到低维空间，我们观察到显著的信分离，表明模型有效地提取了区分卒中和健康状态的关键特征（图4）。值得注意的是，模型能够独立且准确地区分每个时间段的事件，展示了其在处理EEG时间序列数据方面的卓越性能和稳定性。这一发现进一步证实了模型处理超急性卒中快速变化动态特征的能力，并为早期卒中诊断提供了有力支持。

讨论

在本研究中，我们采用EEGNet深度学习框架来识别由前循环闭塞诱导的小鼠缺血性卒中超急性期。我们的结果表明，EEG数据在超急性卒中识别中具有重要的诊断价值。基于EEG数据的模型实现了稳健的分类性能，有效区分了超急性期内所有分析时间间隔的LVO卒中。值得注意的是，模型实现成功识别的最早时间点是卒中诱导后1-1.55小时。

4.1 深度学习模型作为超急性LVO卒中检测的潜在生物标志物

LVO卒中代表急性缺血性卒中中最严重的亚型之一，通常与高死亡率和致残率相关。早期准确识别LVO卒中对于及时干预至关重要，因为前循环的血栓切除窗口通常仅为6小时。EEG具有早期卒中检测的潜力，并在急性卒中诊断中显示出高应用前景。多项临床研究探索了LVO卒中后EEG的变化，获得了统计学上显著的结果。Shreve等人发现delta波段功率（p=0.004）和alpha/delta频率带比率（p=0.0006）各自显著区分了大急性缺血性卒中患者与所有其他疑似卒中患者。van Meenen LCC等人的研究确定了theta和alpha功率的改变；加权相位滞后指数和相对theta功率的组合提供了最准确的诊断性能，实现了100%的敏感性和84%的特异性。Fareshte证明，将四个Lasso选择的EEG导联-波段对（包括alpha、低beta和高beta波段）与深度学习模型中的临床信息相结合，可以实现高诊断准确性，AUC为0.86，敏感性76%，特异性80%。这些结果表明，EEG可能有助于改善大急性缺血性卒中的诊断，这些发现可能对院前应用有用。

然而，迄今为止，很少有诊断研究专门关注症状出现后关键6小时窗口内的患者，这一时期对于LVO卒中的有效治疗至关重要。此外，虽然有许多来自动物研究的关于急性卒中后EEG变化的报告，但大多数关注频谱变化；不同的研究缺乏频谱变化的标准化指标，这降低了它们的特异性和诊断价值。在本研究中，我们利用pMCAO小鼠模型模拟LVO卒中，并采用深度学习方法确认了EEG信号在识别超急性卒中中的重要意义。本研究明确证实了EEG数据在超急性卒中识别中具有重要的诊断价值。基于EEG数据的深度学习模型显示出优异的识别能力，在所有时间间隔内分类准确性均超过95%。AUC值接近1证明了模型在区分卒中和健康状态方面的强一致性和可靠性能。此外，小的标准差表明在不同时间段预测稳定且稳健。这些评估指标和优异性能表明，基于EEG的深度学习模型有潜力作为识别LVO卒中的生物标志物。在本研究中，卒中发作后第一小时的EEG数据未被记录，因为这一时期与麻醉恢复阶段重叠。为了最小化麻醉诱导的皮层活动改变带来的潜在干扰，EEG采集仅在动物恢复稳定的自发行为后开始。这种方法确保了记录的信号反映了真实的卒中后神经动力学。

卒中早期诊断对于改善治疗结果至关重要，因为治疗效果高度时间依赖。值得注意的是，即使无法获得最早时间窗口（0-1小时）的数据，模型在1-1.55小时间隔内也表现出优异的分类性能，尽管在如此早期阶段EEG变化预期很细微，但仍实现了高准确性和可区分性。这一结果表明模型能够在缺血事件发生后不久进行检测。未来的工作可能旨在收集卒中后第一小时的EEG数据，以确定检测是否可以进一步提前， potentially enhancing clinical decision-making in ultra-early stroke care.

4.2 先进算法以更简单和特异性的方式增强基于EEG的卒中检测

先前EEG在急性缺血性卒中中的应用主要侧重于分析频谱功率和脑对称指数（BSI）。这些研究通常需要大量时间和精力进行分析，需要专业知识进行分析和解读。此外，结果缺乏足够的特异性，不同研究之间观察到差异，难以建立统一的标准或诊断标志物。这也是EEG数据难以用于急性卒中诊断的主要原因。在本研究中，我们应用EEGNet深度学习算法构建了基于超急性小鼠EEG数据的诊断模型。与传统诊断方法相比，该模型不仅具有捕获细微复杂信号变化的能力，同时从时间数据中提取高维潜在特征，而且简化了处理流程，只需输入EEG数据即可获得结果，从而减少了对EEG分析专业知识的需求。这种能力为卒中状态的动态监测和分类开辟了新途径，为未来开发具有显著临床效用的非侵入性实时卒中诊断工具奠定了基础。具体来说，提出的基于EEGNet的模型展示了强大的转化潜力。EEG是一种非侵入性、广泛可用的神经成像模态，其便携性使其特别适合院前卒中筛查。EEGNet的紧凑架构和低计算延迟进一步支持其集成到边缘设备或便携式EEG系统中，用于紧急情况。尽管我们当前的研究基于pMCAO小鼠模型，但脑缺血的EEG生物标志物，如局灶性慢化和频谱功率改变，在早期人类卒中中已得到充分证实，为转化应用提供了生理学基础。未来的工作将侧重于使用在临床和院前环境中收集的人类卒中超急性期EEG数据集来适应和验证模型。此外，随着便携式EEG技术和可穿戴脑监测系统的不断进步，现在可以在移动或救护车环境中获取EEG数据。鉴于EEGNet的轻量级结构和与低功耗硬件的兼容性，提出的模型可以无缝集成到卒中分诊的实时处理管道中。这种集成可以促进更早的诊断和转运决策，最终减少治疗延迟并改善患者 outcomes.

4.3 交叉验证和假手术比较确保可靠的模型识别

鉴于本研究中样本量相对较小，我们实施了7折交叉验证以确保实验结果的可靠性和模型的泛化能力。在7折交叉验证过程中，卒中数据集被随机分成七个子集。其中六个用于模型训练，剩余一个用于测试。这个过程重复七次，确保每个样本都包含在训练和测试阶段。这种方法不仅最小化了小样本量引入的偏差，还有助于防止过拟合，从而增强了模型在实际应用中的适应性和稳定性。此外，为了消除麻醉或其他外部因素可能影响EEG信号的潜在混杂效应，我们比较了pMCAO卒中模型与假手术组的EEG数据。这种比较分析确保了在卒中组中观察到的EEG改变确实是由于卒中本身，而不是受到非病理因素如麻醉恢复或手术程序的影响。假手术组的纳入为进一步验证缺血性卒中模型中观察到的EEG特征的特异性提供了支持，加强了我们在识别卒中相关EEG生物标志物方面的发现