在癫痫领域，间歇性癫痫样放电（IEDs）的准确检测对于癫痫的诊断和治疗具有重要意义。近期，脑机交互与人机共融海河实验室团队联合暨南大学附属第一医院提出了一种用于多通道脑电图（EEG）中IEDs分类与分割的深度学习框架U-IEDNet，相关研究成果发表于国际期刊《Epilepsia》。
癫痫作为一种常见的神经系统疾病，影响着全球约 5000 万人。IEDs是癫痫诊断的关键指标，然而，现有的 IEDs 检测方法存在诸多局限性。一方面，传统的基于时间段的分类方法虽然稳定性较好，但往往忽略了与 IEDs 发生相关的关键空间信息，这对于癫痫灶的精确定位极为不利。另一方面，基于通道的分类方法虽能一定程度保留信号特征的原始空间分布，有助于 IEDs 的空间定位，但其固有局限性在于单通道分析，无法捕捉 IEDs 同步事件发生时通道间的相互作用。此外，大多数现有研究将 IEDs 检测作为一个分类任务，通常只能输出二元结果（存在或不存在 IEDs），这种模式无法量化 IEDs 事件在时间窗口内的发生频率，也不能精确定位事件发生的时间戳，这极大地限制了模型在临床应用中的价值，例如难以满足癫痫发作倾向评估以及癫痫起源区域定位等关键临床参数的需求。
图1 间期癫痫样放电检测的六种感兴趣的模式：
尖峰和/或尖波、全身周期性放电（GPD）、
偏侧周期性放电（LPD）、眼球运动、伪影和背景。
为应对上述挑战，研究团队提出了U-IEDNet深度学习框架。该框架包含以下关键部分。时间编码器运用卷积层和双向门控循环单元，从单通道 EEG 中提取时间特征。空间编码器借助Transformer网络，融合多通道特征并提取通道间交互信息。时间解码器由转置卷积层构成，与时间编码器形成U型架构，用于上采样特征，估计每个 EEG 采样点落入IED范围的概率，进而实现IEDs从背景活动中的分割。这种架构设计使U-IEDNet能够同时处理多通道 EEG 数据，既保留了空间信息，又捕捉了通道间的交互作用，在实现高精度分类的同时，还能对 IEDs 进行有效分割，较好地解决了传统方法在空间信息利用和通道间交互捕捉方面的不足。
图2 U-IEDNet架构示意图。
研究团队使用了两个数据集来建立和验证模型，分别是包含370名患者记录的公共数据库以及包含43名患者记录的自主注释数据库。在公共数据库上，U-IEDNet 实现了0.916 的召回率、0.911的精确度、0.912的 F1 分数以及0.030的假阳性率；在自主注释数据库上，分类性能的召回率为0.905、精确度为0.902、F1分数为0.903，假阳性率为0.072，分割性能的召回率为 0.903、精确度为 0.916、F1分数为0.909。此外，研究还基于脑网络理论，对变换器网络中的注意力权重进行了分析，揭示了空间特征融合的过程，增强了 IED 检测模型的可解释性。
图3 分类和分割的结果。(A) 整个脑电记录分类的接收器工作特征曲线。(B) 整个脑电记录的二元分类结果。(C) 分割结果的评估流程。(D) 分割结果。 (E) 整个脑电记录中由专家注释和由模型预测的IEDs标准化概率的空间分布。接近红色的区域表示IED发生率较高，而接近蓝色的区域表示IED发生率较低。(F) 连续脑电中用于分类和分割IED的模型输出比较。红色背景区域表示专家注释的IED范围，而蓝色框表示模型预测的IED范围。
本研究旨在构建一个基于人工智能的IED检测工具箱，以提高癫痫诊断的准确性和效率，简化癫痫的床边诊断流程。U-IEDNet 展示出了在多通道 EEG 记录中提高 IED 检测准确性和效率的巨大潜力，有望为癫痫患者提供更精准的诊断支持，减轻专家的工作负担和时间成本。未来，研究团队计划将模型进一步集成到医院环境中进行数据收集和测试，以增强其临床适用性和鲁棒性，推动该方法在实际患者护理中的应用评估。
