《Neuroscience Informatics》：Identifying the irritative network in magnetoencephalography based on clustering and independent component analysis
编辑推荐：
脑磁图（MEG）用于药物难治性局灶性癫痫患者术前评估的一部分。其分析包括目视搜索瞬态事件：发作间期癫痫样放电（IEDs）。通过分析MEG数据的独立成分分析（ICA）分解，可将分析简化为分类任务。与大脑相关的独立成分（ICs）因此被分类为癫痫性（病理性）或非癫痫
脑磁图（MEG）用于药物难治性局灶性癫痫患者术前评估的一部分。其分析包括目视搜索瞬态事件：发作间期癫痫样放电（IEDs）。通过分析MEG数据的独立成分分析（ICA）分解，可将分析简化为分类任务。与大脑相关的独立成分（ICs）因此被分类为癫痫性（病理性）或非癫痫性（生理性）。本研究提出一种新的分类方法，利用机器学习（ML）特别是针对自动检测峰值的聚类技术，在每个IC的时间进程中查找相关事件，从而检索发作间期癫痫网络。65例带有专家对ICA衍生成分标注的MEG记录用于训练和测试经典ML与深度学习（DL）模型，采用留一受试者交叉验证。每个聚类的均值作为三种模型的输入：在聚类均值上计算预定义特征的经典ML模型；将聚类均值输入基于卷积神经网络（CNN）的DL模型；以及对通过小波变换获得的系数应用由全连接层组成的另一DL模型。全连接网络结合小波变换取得最佳性能，中位F1分数为57%（95% CI，48–67%），召回率91%（95% CI，75–100%），精确率50%（95% CI，33–58%）。此外，在给定IC中，该模型预测为病理性的聚类比例在存在明确癫痫棘波时增加。该方法通过提供常规IEDs检测的替代方案，为描绘发作间期癫痫网络开辟了新视角。
研究背景与动机
药物难治性癫痫患者接受癫痫手术旨在实现无发作且不影响认知功能，这要求准确定位致痫网络与功能区。脑磁图（MEG）因不受颅骨导电性影响而具备高时空分辨率，是术前定位发作间期癫痫样放电（IEDs）的有用工具，但传统MEG分析依赖专家目视搜寻IEDs，耗时且中心间差异大；长程记录中IEDs易被环境噪声和生理脑活动掩盖，数据维度高（超200通道、采样率逾2000 Hz）。独立成分分析（ICA）作为盲源分离手段可分解传感器级混合源，既往多用于伪迹剔除，亦有研究用以识别致痫源。机器学习（ML）含经典模型与深度学习（DL）已被引入MEG解释，但在“生理IC vs 癫痫IC”这一细粒度二分类上，因预定义特征覆盖全时段IC且忽视事件重复结构，性能受限。为此，研究人员（Aurore Semeux-Bernier等，INS, Aix Marseille Univ）在《Neuroscience Informatics》提出结合ICA、事件聚类与ML的新流程，以自动勾勒发作间期致痫网络。
主要关键技术方法（队列与算法）
样本为法国马赛Timone医院癫痫单元65例局灶性药物难治性癫痫患者静息闭眼约10分钟MEG记录（采样2034.51 Hz，滤波1–100 Hz，infomax算法解100个IC，由专家FB标注生理/癫痫/噪声）。关键方法链：①自研FACE（Find And Cluster Events）流程——对IC时程平方幅值用findpeaks检峰（峰间距≥200 ms，前置4 Hz二阶Butterworth高通），k-means按形态聚类（elbow法定簇数），窗宽200 ms延至400 ms，取簇内事件平均；②三类输入对应三模型——聚类均值直输1D-CNN、均值提取峰值半宽/幅值/显著度/不对称/各频带功率谱密度及周期外谱成分（fooof）输VotingClassifier（Random Forest+Logistic Regression），聚类均值做5层Symlet-5离散小波变换（DWT）得449点系数输两层全连接网络；③留一受试者交叉验证，针对极端类别不平衡用平衡权重与自定义批次生成，评估簇级与IC级（设阈值判IC为癫痫）的精确率、召回率、F1。
研究结果
3.1 簇级与机会水平比较：小波模型与经典ML模型在精确率、召回率、F1上均显著优于标签置换的机会水平（Wilcoxon检验），CNN未达稳健；但簇级F1中位近0.2，个体间变异大（IQR 0–1）。
3.2 IC级分类：小波模型在IC级设阈值后中位F1 57%（95%CI 48–67%）、召回91%（75–100%）、精确率50%（33–58%），三分之二受试者F1>0.5，显著优于簇级；性能与癫痫类型/病灶位置无显著关联。
3.3 棘波形态对输出的影响：随IC由生理→非显性癫痫→显性癫痫，模型判为病理的簇占比递增（Mann-Whitney+Bonferroni显著）；小波模型在两癫痫子类中位占比均高于经典ML（Wilcoxon显著）；6例MEG阴性者F1归零。
讨论与结论翻译
讨论指出，既往经典ML可分伪迹IC但分生理/癫痫IC更难，本研因限定事件窗+聚类缓解了全时程特征跨被试变异问题。小波+全连接优于单独CNN，归因于训练集小、癫痫标签少，CNN需大数据学表征，而DWT注入多尺度先验、减参约束解空间、保留局部时域信息，利于小样本泛化；Symlet曾用于EEG癫痫模式刻画。模型输出病理簇占比随IEDs显性度上升，契合IEDs反映病理超同步网络而非孤立事件的理解，说明框架捕获了生物意义属性。跨被试变异部分源于MEG阴性、深部/不利朝向源，以及癫痫亚型样本量小。局限含：假设模式重复可能漏罕见IED；elbow法或高估簇数；单专家标注忽略评分者间变异；未含正常变异对照。临床意义为非替代专家而为其提速——高召回确保少漏诊，可作IC优先排序工具。未来可融合小波表征、手工特征与空间信息，结合传播延迟等网络度量量化致痫网络。
结论：研究人员提出结合ICA分解、FACE事件聚类与机器学习（最优为小波变换+全连接网络）的流程，在65例留一验证中以IC级中位F1 57%、召回91%识别癫痫IC，且病理簇占比随IEDs显性度递增，为MEG发作间期致痫网络描绘提供了超越常规IEDs检测的自动化辅助路径。
