《IEEE Transactions on Aerospace and Electronic Systems》：Improving Epileptic Seizure Prediction Using ECG From Wearable Sensors Through Spectral Whitening and Cepstral Processing
编辑推荐：
癫痫发作的不可预测性仍然是癫痫最具致残性的特征之一，对患者的生活质量有重大影响。脑电图(EEG)传统上用于诊断癫痫发作；然而，由于传感器可见性相关的污名化，脑电图对于癫痫发作预测并非一个可行的解决方案。在本研究中，研究人员验证了使用心电图(ECG)作为基于脑电
癫痫发作的不可预测性仍然是癫痫最具致残性的特征之一，对患者的生活质量有重大影响。脑电图(EEG)传统上用于诊断癫痫发作；然而，由于传感器可见性相关的污名化，脑电图对于癫痫发作预测并非一个可行的解决方案。在本研究中，研究人员验证了使用心电图(ECG)作为基于脑电图的癫痫发作预测替代方案的有效性。此外，研究人员评估了经过适当改进以适应可穿戴传感器采集的心电图的算法的有效性。研究人员使用一种新颖的谱白化方法从心电图中去除不需要的信息，以富集癫痫特异性证据，从而提高使用可穿戴设备的癫痫发作预测准确性。使用可穿戴传感器采集的SeizeIT2数据集，性能最佳的基于心电图的癫痫发作检测系统报告的灵敏度为43.20%。研究人员使用谱白化来富集癫痫特异性信息的方法，实现了显著更高的灵敏度，达到88.54%。此外，使用倒谱处理来抑制受试者特异性变异和可穿戴传感器引起的噪声，有助于将灵敏度提高到97.59%。随后，研究人员将倒谱处理方法扩展到癫痫发作预测，对于20分钟的癫痫发作预测视野(SPH)，分别获得了96.78%、97.37%、96.19%的预测准确率、灵敏度、特异性和0.9813的受试者工作特征曲线下面积(AUROC)。研究结果表明了一种非侵入性、通用且具有临床相关性的基于心电图的癫痫发作预测系统的可行性，为实现"佩戴即忘"设备迈出了有希望的一步，以便即使在资源有限的环境下也能进行实用的癫痫发作监测。
**基于可穿戴心电图通过谱白化与倒谱处理优化癫痫发作预测的学术解读**
**研究背景与意义**
癫痫作为最常见的神经系统疾病，全球影响约5000万人，其核心临床挑战在于发作的不可预测性，这给患者及其家庭带来持续焦虑，并严重限制日常生活活动，如驾驶、游泳等，甚至可能引发癫痫猝死(SUDEP)。尽管脑电图(EEG)是癫痫诊断的"金标准"，但其在院外场景的应用受限于设备可见性带来的社会污名、对运动伪影的敏感性以及需要专业人员操作等问题。因此，开发一种基于更隐蔽、可穿戴生理信号的发作预测系统具有迫切临床需求。心电图(ECG)因其可通过胸带、贴片等设备无创、隐蔽地记录，并能反映癫痫相关的自主神经系统(ANS)变化（如心率变异性(HRV)改变），成为一种有前景的替代方案。然而，基于可穿戴ECG的发作预测面临重大挑战：ECG信号主要反映正常心脏活动，癫痫发作前（即发作前期）的细微变化被淹没其中；同时，可穿戴传感器采集的信号易受基线漂移、运动伪影、电极接触噪声等干扰，且存在显著的受试者间变异。先前研究多使用小规模定制数据集或患者特异性建模，泛化能力有限。发表在《IEEE Transactions on Aerospace and Electronic Systems》上的这项研究，旨在解决上述问题，开发一种基于大规模公开可穿戴ECG数据集、患者独立的通用癫痫发作预测框架，推动可实际部署的"佩戴即忘"式预警设备发展。
**关键技术方法**
本研究主要基于公开的SeizeIT2可穿戴数据集（包含125名患者的多模态生理信号），采用患者独立建模策略以确保泛化性。核心技术流程包括：1) **信号预处理与去噪**：对单导联可穿戴ECG进行预处理，采用Pan-Tompkins算法进行QRS波检测与去噪，以应对基线漂移等噪声。2) **谱白化**：利用线性预测编码(LPC)对发作间期（控制状态）ECG建模，构建逆滤波器。将该滤波器应用于输入ECG（无论是发作间期还是发作前期），以滤除与心脏、大脑等器官正常功能相关的信息，得到残差信号，从而富集癫痫特异性信息。滤波器阶数经经验确定为16阶。3) **倒谱处理与提升**：对谱白化后的残差信号进行倒谱分析（计算对数幅度谱的离散余弦变换(DCT)）。通过对数变换将残差信号中癫痫特异性信息与受试者特异性/噪声信息的频域乘性关系转换为加性关系，再利用DCT进行去相关。研究表明，与癫痫相关的慢变谱模式集中在低倒频率系数中，而传感器噪声等快变谱模式体现在高倒频率系数。因此，通过**倒谱提升**，即仅选择前128个低倒频率系数，可有效抑制噪声和受试者特异性变异，进一步提纯癫痫相关信息。4) **分类与评估**：将处理后的特征（如128维倒谱系数）输入卷积神经网络(CNN)分类器，以区分发作间期与发作前期状态。采用五折留一折叠交叉验证(LOFO)进行患者独立的性能评估，并综合窗口级和事件级指标（如灵敏度、特异性、AUROC、误报率(FA/hr)、预警时间(TTW)）进行全面分析。
**研究结果分析**
* **癫痫发作检测性能**：在SeizeIT2数据集上，研究人员首先建立了癫痫发作检测（区分发作期与发作间期）模型作为基准。与文献报道的基于ECG的当前最佳检测系统（灵敏度43.20%）相比，仅使用谱白化(SW)方法即将灵敏度提升至88.54%。结合谱白化与倒谱提升(CL-SW)的最终系统，实现了检测准确率97.59%、灵敏度97.59%、特异性97.59%和AUROC 0.9728的优异性能，灵敏度相对当前最佳系统提升了54.39个百分点。
* **癫痫发作预测性能**：研究进一步将系统扩展至发作预测（区分发作前期与发作间期）。对于20分钟的预测视野(SPH)，CL-SW系统获得了预测准确率96.78%、灵敏度97.37%、特异性96.19%和AUROC 0.9813的高性能。系统在不同SPH（5、10、15、20分钟）下均表现稳健，且对SeizeIT2数据集中不同的发作类型（如局灶性意识清醒性发作、局灶性意识损伤性发作等）具有良好的泛化能力。
* **模型鲁棒性与泛化性**：通过向ECG信号中添加不同信噪比(SNR)的基线漂移(BW)、肌肉伪影(MA)、电极运动(EM)等噪声进行测试，CL-SW系统表现出较强的噪声鲁棒性。跨数据集评估（在TUHSZ临床数据集训练，在SeizeIT2可穿戴数据集测试，反之亦然）表明，CL-SW方法对传感器特异性变异不敏感，具有较好的跨域泛化能力。
* **模型轻量化**：倒谱处理显著降低了特征维度（从时域15360个样本降至128个倒谱系数）。通过模型量化（如将权重从32位浮点(FP32)降至8位整数(INT8)），在保持性能基本不变的前提下，将模型大小从约6 GB（时域SW系统）大幅压缩至18.8 MB，推理延迟降至22毫秒，为在资源受限的可穿戴设备上部署提供了可能。
**讨论与结论**
讨论部分指出，基于可穿戴ECG的癫痫发作预测主要难点在于癫痫特异性信息微弱且被强背景生理活动及传感器噪声所掩盖。本研究提出的谱白化-倒谱提升(CL-SW)框架有效地解决了这两个问题：谱白化剥离了主导的正常生理活动信息，倒谱处理则进一步抑制了受试者变异和传感器噪声，从而显著提升了癫痫相关信息的信噪比。与现有研究相比，本工作的优势在于使用了大规模公开可穿戴数据集、采用患者独立建模以获得更好泛化性，并实现了高精度与小模型足迹的结合。跨域评估结果支持了该系统捕获的是生理学上有意义的癫痫前驱模式，而非数据集特定伪影。
研究结论部分翻译如下：脑电图(EEG)是癫痫诊断的金标准；然而，其在诊所之外的使用受到其对伪影的敏感性和与传感器可见性相关的污名化的限制，阻碍了患者佩戴。因此，致力于开发不使用脑电图作为输入的低成本、可负担、高精度的癫痫发作预测系统至关重要，这表明使用心电图(ECG)作为替代方案。据研究人员所知，尚无研究在大型患者独立的可穿戴心电图数据集上报告高的癫痫发作预测准确率。为了检验癫痫发作预测算法在可穿戴设备上的有效性，本研究使用SeizeIT2数据集中的可穿戴传感器数据进行所有实验。使用SeizeIT2数据集的当前最佳系统是一个检测系统，其灵敏度为43.2%，误报率为29.2次/小时。心电图中的癫痫信息与心脏、大脑和其他器官的正常功能信息交织在一起。基于心电图的癫痫发作预测性能不佳，是由于不包含任何癫痫特异性信息的、关于心脏、大脑和其他器官正常功能的信息占主导地位。研究人员采用谱白化(SW)算法从心电图中去除关于心脏、大脑和其他器官正常功能的信息，以富集心电图中的癫痫特异性信息，从而在使用床边监护仪数据（天普大学癫痫发作(TUHSZ)数据集）时显著提高了癫痫发作预测准确率。测试可穿戴传感器数据的有效性时，发现预测准确率远低于使用TUHSZ在床边监护仪数据上获得的结果。对可穿戴传感器数据谱图的进一步分析显示了各种噪声的存在，例如基线漂移、电极接触不良和运动伪影，这些噪声导致了预测性能的下降。研究人员探索了使用倒谱处理来进一步减少传感器相关噪声的影响，并最小化心电图中受试者特异性变异的影响。谱白化和倒谱处理(CL-SW)的结合为使用可穿戴心电图数据集进行癫痫发作预测提供了最佳结果。研究人员首先使用SW方法开发了癫痫发作检测系统，获得了85.99%的检测准确率、88.54%的灵敏度、83.44%的特异性和0.9481的AUROC，这比当前最佳系统的灵敏度提高了45.34%。研究人员进一步使用CL-SW方法验证了检测系统的性能，获得了97.59%的检测准确率、97.59%的灵敏度、97.59%的特异性和0.9728的AUROC，灵敏度提高了9.05%。随后，研究人员使用SW方法开发了癫痫发作预测系统，对于发作前20分钟的预测视野，获得了94.40%的预测准确率、96.55%的灵敏度、92.25%的特异性和0.9807的AUROC。研究人员使用CL-SW方法的癫痫发作预测算法，在发作前20分钟，获得了96.78%的准确率、97.37%的灵敏度、96.19%的特异性和0.9813的AUROC。这项工作是对从癫痫监测单元(EMU)收集的心电图数据进行的多中心回顾性分析，其结果令人鼓舞，表明可以开发一种用于连续监测的移动可穿戴癫痫发作预测设备，例如使用心电图贴片、胸带等可穿戴设备。研究人员的算法对传感器特异性变异具有鲁棒性，但需要在动态数据和EMU中实时收集的数据上进行进一步验证。
