基于EEG的癫痫发作预测的层次化时间可分离卷积-循环注意力网络

《Cognitive Neurodynamics》：Hierarchical temporal-separable convolutional-recurrent attention network for EEG-based epileptic seizure prediction

　　

摘要

癫痫发作是严重的神经系统疾病，会对患者的健康和生活质量造成极大影响。准确的发作预测对于实现早期干预和改善临床预后至关重要。目前大多数预测系统都是针对特定患者设计的，需要大量个性化数据，且在不同患者间的通用性较差。该领域的一个主要挑战在于，与代表癫痫发作间正常脑活动的间期脑电图片段相比，发作前短时间内记录的发作前脑电图片段极为有限。本研究提出了一种无需针对特定患者即可识别癫痫发作的混合深度学习架构。该框架无需进行患者特异性校准，即可在不同患者身上稳定运行。为解决发作前脑电图片段不足的问题，研究采用了基于随机游走算法的数据增强技术。同时，通过功率谱密度来提取特征，捕捉脑活动重要的频域特性。所提出的混合架构整合了分层时序可分离卷积网络、双阶段双向循环神经网络以及多头注意力机制，能够从非平稳脑电图信号中有效提取空间、时间和上下文特征，同时应对不同患者之间的差异。在CHB-MIT和Siena数据集上的实验表明，该模型在区分发作前和发作间脑电图状态方面具有很强的辨识能力，测试准确率分别达到98.74%和97.35%。这些结果体现了该架构的稳健性和通用性，使其成为一种具有发展潜力的、可用于实际临床场景的癫痫发作预测方法，不过仍需在连续脑电图数据上进一步验证，以全面了解其在实际应用中的警报率。