【成果推介】基于头皮脑电图EEG的癫痫自动分类

我国有高达900万的癫痫受累人群，其中500-600万是活动性癫痫患者，且每年新发约40万例，已成为神经科仅次于头痛的第二大常见病。且癫痫是儿童期常见的神经系统疾病，我国0-14岁儿童癫痫的患病率达3.45‰，其中5岁以内起病占50%左右。癫痫病作为一种慢性疾病，虽然短期内对患者没有多大的影响，但是长期频繁的发作可对患者的身心、智力产生严重影响，存在精神危害、认知障碍及生命危害等隐患。

作为医生确定癫痫患者的病种分类和调整治疗方案的重要依据，脑电图的监测结果具有重大的临床意义。但在真实临床场景下，还存在患者多、专家少、监测时间长等问题。据行业人士估算，全国具有较高水平的脑电图分析人员不超过1000人，因为培养一名成熟的脑电分析专家，需要大量临床经验和多年专业培训，多数基层医疗机构往往不具备这样的条件。中国抗癫痫协会发布的《癫痫临床治疗指南》(2015年)指出，根据癫痫发作的控制情况，患者每半年至1年就要复查1次脑电图；若病情控制得不好，则需不定期或随时复查，每次监测的时长从2小时至24小时不等。医生分析癫痫患者2小时的脑电图约需25-40分钟，需将大量精力消耗在查找异常放电上。

在武汉市应用基础前沿项目“基于头皮脑电图的小儿癫痫自动分类与病灶定位”支持下，提出深度学习、迁移学习等多种机器学习算法，用于基于头皮脑电的癫痫检测与分类，尤其是小儿癫痫。首先判断有无癫痫？如果有，是局灶性发作还是全面性发作？如果是全面性发作，进一步判断其具体类型，如强直发作、失神发作等。

· 多模态融合和多核知识迁移。首先利用lp范式约束把单核岭回归拓展到多核岭回归，以更好利用多模态数据中的互补信息。然后利用边缘概率分布适配来最小化源域和目标域之间的分布差异，解决训练数据不足的问题。

· 基于EEGNet的精简深度神经网络，降低EEG癫痫亚型分类中所需的带标签数据量。使用正弦编码的时域信息增强模块来对齐EEGNet的第一层。同时进行自动超参数选择策略。

· 基于Transformer的自监督学习模型用于EEG癫痫亚型分类，解决EEG数据的长时程依赖和训练数据不足的问题。首先使用滤波器组分析来把视觉Transformer转换为小波Transformer编码器，产生EEG信号的多粒度特征表示。然后使用自监督学习来使用无标注数据预训练小波Transformer。

· 基于决策树梯度提升机的半监督迁移提升机(SS-TrBoosting)无源域域适配(SFDA)，使用预训练源域模型而非源域数据来实现隐私保护迁移学习。SS-TrBoosting在保护用户隐私的前提下减少对新用户校准数据量的需求，适合EEG癫痫亚型分类。进一步拓展到无监督迁移学习，即新用户无需任何标注数据。

在自己采集的武汉儿童医院癫痫亚型分类数据集上，所提出的TIE-EEGNet 癫痫亚型4分类均衡分类准确度57.5%，F1 0.615；Wavelet2Vec 癫痫亚型4分类均衡分类准确度67%，F1 0.68，均超过当时最优算法。

现有技术一般只区分有无癫痫，该技术可以进一步区分癫痫亚型。且现有技术一般关注成人癫痫诊断，该项技术可实现儿童癫痫诊断。

研发阶段

本项目提出用于癫痫亚型分类的隐私保护迁移学习方法，同时解决新用户训练数据不足和老用户隐私保护问题，节省医生时间。在欧盟《通用数据保护条例》和中国《个人信息保护法》都要求严格保护用户隐私的大背景下，具有广阔的应用前景。

知识产权：

该成果包括多项已授权中国发明专利。

合作方式：