《Technologies》：Machine-Learning-Based Localization of Cortical Hyperexcitability Zones from Background EEG Activity in Epilepsy
编辑推荐：
癫痫患者常规脑电图记录中的背景节律活动包含大量病理状态下脑功能信息，其信息量远超发作样放电与发作间期放电的持续时间。然而临床解读仍主要聚焦于检测显著病理模式（如癫痫发作与发作间期事件），该方法依赖专家评估且劳动强度高。近期节律性脑电分析结合机器学习（ML）的进
癫痫患者常规脑电图记录中的背景节律活动包含大量病理状态下脑功能信息，其信息量远超发作样放电与发作间期放电的持续时间。然而临床解读仍主要聚焦于检测显著病理模式（如癫痫发作与发作间期事件），该方法依赖专家评估且劳动强度高。近期节律性脑电分析结合机器学习（ML）的进展已能可靠区分健康个体与癫痫患者。在此基础上，研究人员提出一种新颖ML框架，仅利用无可见发作间期放电或癫痫发作事件的背景脑电振荡，自动分析与定位皮质高兴奋性灶。借助公开脑电数据，研究人员证实随机森林（Random Forest）与CatBoost算法可在主要皮质区水平上有效预测发作间期放电灶的近似定位。在48例患者队列（782段1分钟背景时段，5个定位类别）中，随机森林在患者级交叉验证下准确率达0.92，宏F1分数为0.90。这些发现确立背景脑电活动作为局灶性癫痫诊断中具临床潜力的生物标志物，并凸显开发自动化、脱离专家依赖的定位工具之可行性，回应临床神经生理学中的关键未满足需求。
研究背景与动机：头皮脑电图（EEG）是癫痫临床评估的重要无创工具，但短时常规EEG诊断率有限，且约30%初始记录检测不到发作间期癫痫样放电（IED），即便三次记录后也仅约50%，24小时监测方可达89%。IED缺失并不排除癫痫，而常规阅图常丢弃大量背景EEG。既往IED本身定位技术成熟，但背景活动是否携带皮质高兴奋性空间信息尚未明确。病理上IED可通过“远程抑制”等机制重塑相邻及远隔脑区背景振荡（rhythmopathies），为从背景EEG解码放电起源提供生理依据。已有研究用颅内EEG（iEEG/SEEG）或脑磁图（MEG）做致痫区（EZ）/发作起始区（SOZ）定位，但无创、纯背景输入、区域级输出的组合仍属空白。研究人员此前已证明背景EEG可区分癫痫与健康人，本文进一步假设：无放电的背景EEG段仍保留IED生成区的统计特征，可支持粗粒度区域定位。
样本与技术方法：数据来自公开vEpiSet库，含84例患者中筛选出的48例单一定位模式者（广义G、额F、中央-顶CP、枕O、颞T），取19导10–20系统，500 Hz。连续记录切为1分钟时段，以30秒滑动窗增广，剔除标注IED及其前后2秒及3倍标准差伪迹，经医师目视确认仅留背景节律，得782段（CP 51、F 287、G 98、O 112、T 234）。特征提取含功率谱密度（PSD，δ/θ/α/β/γ带对数标准化）、左右对称电极对偏侧化系数、30–70 Hz频谱斜率估兴奋/抑制（E/I）比、复Morlet小波相位振幅耦合（PAC，δ–γ、θ–γ、α–β调制指数MI）、相位相干（全局与半球间）。分类采用338特征，管道内做中位数填补、RobustScaler、互信息选前200特征，以StratifiedGroupKFold（同一记录不入同折）防泄漏，比较逻辑回归（LR）、随机森林（RF）、梯度提升（GB）、LinearSVC、XGBoost、CatBoost，指标取宏平均精度/召回/F1/准确率与ROC-AUC，并用置换重要性做特征解释，PCA仅作可视化。
研究结果
4.1 二分类（广义vs局灶）：RF与GB最佳，准确率约0.96，宏F1约0.95；LR中等，LinearSVC几近失效（广义召回近0）。表明背景EEG可区分广泛同步与局灶偏侧的高兴奋模式，非线性集成模型优于线性。
4.2 五类区域定位：RF准确率0.92、宏F1 0.90；CatBoost准确率0.90、宏F1 0.87；GB与XGBoost次之；LR中等；LinearSVC最差。各类ROC-AUC：RF/GB/CatBoost 0.99，XGBoost 0.98，LR 0.86，LinearSVC 0.79。PCA三维投影类间重叠大，说明判别结构非线性。消融实验：仅留PSD时RF宏F1由0.90降至0.48，CatBoost由0.87降至0.40；单独去相位相干或去PAC对集成模型宏F1影响≤0.05，说明相位类特征间冗余，但PSD+相位/PAC联合不可或缺。类特定重要性显示CP靠额颞β功率、F靠后中央β相位差、G靠β相位差与γ功率、O/T靠θ功率（T另含α–β PAC），印证网络级重组而非单纯局灶功率。
4.3 患者级预测：RF/CatBoost等集成模型在“≥90%时段正确”的患者比例上最高；CP类因样本少（4例）与异质性最難一致；LinearSVC对额叶的高一致性是多数类偏置假象。患者级聚合比时段级更贴合临床。
讨论浓缩：背景EEG在无IED时仍含可解码区域信号，类特定特征跨频段跨空间，体积传导未使模型退化为局部功率；CP类受限源于样本与相邻区传导混淆。方法定位为“粗粒度、表面级、首阶段筛查”，不替代EZ/SOZ精确定位（需源成像或颅内记录），也不处理非癫痫EEG（闭集分类），未来需加诊断门控/OOD检测、外部多中心验证、SHAP解释。局限含单中心单群体、年龄失衡（控制分析示年龄辅佐但不主导）、标签为IED拓扑近似区非解剖EZ。
结论翻译：本研究证实，应用于背景EEG活动的ML模型可有效定位发作间期放电生成区，为传统事件基分析提供补充。二分类中RF与GB区分广义/局灶高兴奋准确率达0.96；五类区域任务中RF与CatBoost准确率达0.90–0.92、宏F1达0.87–0.90。LR中等，LinearSVC无效，凸显非线性特征关系之关键。类特定特征分析揭示各定位类依赖光谱功率、相位关系与跨频耦合的不同组合，表明背景EEG捕获与高兴奋模式相关的大尺度振荡组织差异。该方法可作常规头皮EEG快速自动首阶筛查，辅助初步分诊与侧别提示，但精确致痫区勾勒仍须专用源定位或颅内记录。未来应开展独立多中心验证并融合可解释AI，最终将背景EEG分析确立为癫痫诊断工具箱中互补而非替代事件阅图的组件。
