基于可解释特征与机器学习的癫痫检测方法研究

《PLOS One》：Research on epilepsy detection methods based on interpretable features and machine learning

　　

癫痫是一种影响全球大量人群的常见神经系统疾病。患者的身体和心理健康以及日常活动均受到癫痫发作的显著影响，需要及时诊断和治疗。利用脑电图（Electroencephalogram, EEG）信号进行癫痫自动检测一直是重要的研究领域。然而，当前大多数方法基于复杂的特征工程流程，需要提取和选择大量特征以识别最具判别力的特征集，导致算法复杂度高、鲁棒性不足且可解释性差，难以向临床医生提供理论支持。为解决当前基于EEG的癫痫检测方法中存在的可解释性差和特征工程复杂等局限性，研究人员提出了一种基于病理生理学的可解释机器学习算法。通过创新性地整合癫痫发作的电生理标志物与非线性动力学特性，研究人员开发了一种仅由五个特征组成的低维可解释特征组合，并在不同癫痫阶段系统验证了其判别能力。在癫痫发作与非发作EEG片段的二分类中，XGB分类器取得了98.73%的最高准确率和98.57%的F1分数。发作间期与发作期的分类准确率达到95.33%，F1分数为95.27%。在包括发作前期、发作间期和发作期的具有挑战性的三分类任务中，模型取得了86.3%的准确率和85.79%的F1分数。跨数据库验证获得了82.17%的最大准确率和81.99%的F1分数，证实了所提特征的强大泛化能力和变革潜力。通过在两个公开数据集上使用五种机器学习分类器进行评估，该特征集在所有模型中均表现出出色且稳定的性能。此外，SHAP（Shapley Additive exPlanations）值量化了每个特征对预测的贡献，从而提供了透明的决策依据，显著提高了算法的可解释性和临床实用性。

**论文解读：基于可解释特征与机器学习的癫痫检测方法研究**

**研究背景与目的**

癫痫是一种影响全球约7000万人的常见神经系统疾病，其发作具有突发性、不规则性和复发性，严重影响患者的日常生活和心理健康。及时准确的诊断是有效治疗的前提，而脑电图（Electroencephalogram, EEG）是临床诊断癫痫的重要客观工具。然而，传统EEG分析依赖医生主观判断，耗时且效率低下。基于机器学习的自动癫痫检测方法虽已广泛研究，但现有方法多依赖于复杂的特征工程，需要提取大量特征并通过特征选择来筛选，导致算法复杂度高、鲁棒性不足且可解释性差，难以向临床医生提供理论支持。为解决上述问题，研究人员旨在开发一种基于病理生理机制的可解释低维特征组合，并结合机器学习算法，实现高效、透明且泛化能力强的癫痫自动检测。该研究发表在《PLOS One》。

**主要技术方法**

本研究使用了两个公开数据集：波恩大学（BONN）癫痫EEG数据集，包含正常、发作间期和发作期EEG片段；以及新德里睡眠中心（NDSC）EEG数据集，包含发作前期、发作间期和发作期数据。数据预处理采用集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）与时频峰值滤波（Time-Frequency Peak Filtering, TFPF）去噪，并以256数据点滑动窗口（50%重叠）分割。特征提取构建了仅含5个特征的低维组合：病理特征（尖波能量SpikeE和棘波能量SharpE）、非线性动态特征（排列熵Permutation Entropy, PE和Higuchi分形维数Higuchi Fractal Dimension, HFD）以及动态特征增量（Dynamic Feature Increment, DFI）。使用五种机器学习分类器：K近邻（KNN）、支持向量机（SVM）、随机森林（RF）、决策树（DT）和极限梯度提升（XGB），并采用SHAP（Shapley Additive exPlanations）进行可解释性分析。

**研究结果**

**特征有效性分析：** 通过箱线图分析，病理特征（尖波和棘波能量）在区分癫痫发作与非发作状态时表现出最强判别力，与临床诊断依据一致。非线性动态特征（HFD和PE）在发作期显著降低，反映了脑电活动复杂性的下降。在NDSC数据集中，发作前期特征分布呈现过渡状态，表明这些特征具有预测潜力。动态特征增量捕捉了状态演变的细微波动。

**机器学习分类结果与分析：** 在BONN数据集上，针对发作与非发作的二分类任务（AB vs E, CD vs E, ABCD vs E），综合特征组合（病理+非线性+动态增量）在XGB分类器上取得了最高准确率98.73%（ABCD vs E任务）和F1分数98.57%。在NDSC数据集上，发作间期与发作期的二分类准确率达95.33%，F1为95.27%；发作前期、发作间期与发作期的三分类准确率达86.3%，F1为85.79%。所有分类器在不同任务上性能高度一致，标准偏差小（BONN: 0.01–0.03, NDSC: 0.03–0.05），证明特征组合具有模型无关的鲁棒性。混淆矩阵分析显示，主要误判发生在发作前期与发作间期之间，符合临床实际。

**特征可解释性分析：** SHAP分析表明，在所有分类任务中，病理特征（特别是棘波能量）是对预测贡献最大的指标，非线性动态特征在区分发作前期、发作间期和发作期的三分类中起关键作用，动态特征增量提供补充信息。特征重要性排序与SHAP分析高度一致，验证了模型决策的透明性。

**跨数据集实验：** 利用BONN数据集训练、NDSC数据集测试，XGB模型分类准确率达82.17%，F1为81.99%；反向测试准确率为77.17%。结果证明特征组合具有跨数据库的泛化能力。

**对比实验：** 与现有方法（包括基于特征提取的机器学习和深度学习方法）相比，本方法仅用5个可解释特征即取得了更高或相当的性能（XGB最大准确率98.73%），且无需特征选择，显著降低了复杂度并提高了可解释性。

**结论与讨论**

本研究针对传统癫痫EEG检测方法可解释性差、泛化能力受限的问题，提出了一种基于生理机制的可解释低维特征组合（病理特征、非线性动态特征及其动态增量）与机器学习框架。该特征组合在多个公开数据集上使用五种经典分类器（SVM、RF、DT、KNN、XGB）均表现出稳定一致的分类性能，表明其强大的判别力和广泛应用性，且不显著依赖特定模型。SHAP可解释性分析揭示了每个特征在不同癫痫阶段的贡献权重，使模型预测结果与临床病理认知一致。跨数据集验证进一步确认了特征的稳健性和跨域适应性。本研究存在一定局限性：所使用数据集样本量有限且为短时EEG片段，缺乏大样本连续长时间数据的验证；固定长度的分段策略可能混淆生理状态边界，未来需探索基于生理事件的自适应分段方法。研究结论总结为：本研究通过引入基于生理机制的可解释低维特征组合和机器学习框架，解决了传统癫痫EEG检测技术中模型可解释性不足和泛化能力受限的缺陷，为自动癫痫诊断提供了一种新方法。