基于熵的图学习框架，用于睡眠期间电惊厥性癫痫状态（ESES）的跨主题检测

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Entropy-Based Graph Learning Framework for Cross-Subject Detection of Electrical Status Epilepticus During Sleep (ESES)

　　

摘要：

睡眠期癫痫性电活动持续状态（ESES）是一种严重的儿童癫痫综合征，其特征为睡眠诱发且几乎连续的癫痫样放电，常常导致认知和行为障碍。早期且准确的检测在临床中至关重要，但由于复杂的非线性脑电图动态、强烈的通道间依赖性，以及传统特征表示法和固定连接假设的局限性，这一任务仍面临挑战。为应对这些挑战，我们提出了GCN-AGLCA这一数据驱动的图学习框架，用于跨受试者检测ESES。该框架能够同时建模基于多带熵的复杂性特征，无需预先设定假设即可自适应学习受试者特定的功能连接图，并在图卷积过程中引入通道注意力机制，以优先处理具有临床意义的脑电图通道。实验结果表明，结合使用的熵特征比单独的熵度量及传统的时频表示方法更具优势，分类准确率可达84.00%，同时训练过程更稳定，泛化能力也更强。此外，在58名儿科患者的脑电图记录上通过留一法交叉验证，该框架的平均准确率为77.82%，平均错误率为6.39%，且训练稳定性优于现有的最先进基准模型。这些结果表明，基于熵信息的自适应图学习为自动识别ESES提供了一种稳健且具有临床解释性的方法。