《基于图神经网络的癫痫脑电检测和预测算法研究》报告

1. 研究背景与意义
   癫痫是一种由大脑神经元异常放电导致的慢性神经系统疾病，全球约有5000万至6000万患者，其突发性和反复性发作对患者生命质量构成严重威胁。传统癫痫诊断依赖脑电图（EEG, Electroencephalogram）监测，但人工分析长程EEG数据存在效率低、漏标误标等问题。随着人工智能发展，深度学习技术为癫痫自动检测与预测提供了新思路，尤其是图神经网络（GNN, Graph Neural Network）在非欧几里得数据（如EEG通道间的拓扑关系）处理上展现出独特优势。本研究由山东大学集成电路学院周卫东教授团队开展，旨在探索脑电信号时空特征融合对癫痫检测与预测性能的提升作用。

2. 研究方法与技术路线
   研究包含两项核心工作：
   （1）基于图卷积网络（GCN, Graph Convolutional Network）的癫痫检测系统

• 数据预处理：采用公开数据集CHB-MIT和私有数据集SH-SDU，原始EEG信号经过滤波去噪和分段处理。
  
• 图结构建模：将多通道EEG信号建模为图结构，节点代表电极，边表示脑区功能连接（基于谱图理论构建邻接矩阵）。
  
• 特征提取与分类：通过GCN捕获空间特征，结合后处理技术（平滑滤波和领子算法）优化分类结果。系统在CHB-MIT和SH-SDU数据集上分别达到99.78%和97.66%的事件敏感性（Event-based Sensitivity）。
  

（2）时空融合的癫痫预测系统
- 架构设计：结合图注意力网络（GAT, Graph Attention Network）和时间卷积网络（TCN, Temporal Convolutional Network）。GAT提取空间特征（电极间动态权重），TCN捕捉时间依赖性（膨胀卷积处理长序列）。
- 性能验证：在相同数据集上，预测系统实现97.03%（CHB-MIT）和96.89%（SH-SDU）的敏感性，错误预测率低至0.03次/小时，显著优于传统LSTM（长短期记忆网络）和CNN方法。

1. 关键创新点
   

• 非欧几里得数据处理：首次将GCN和GAT引入癫痫EEG分析，解决了卷积神经网络（CNN）对空间拓扑信息捕捉不足的问题。
  
• 端到端时空融合：通过GAT-TCN联合模型实现了脑电信号空间关联性与时间动态性的协同建模，较现有方法提升约5%的预测准确率。
  
• 临床实用性优化：后处理技术（如自适应阈值平滑）有效降低假阳性率，系统可直接集成至医疗监护设备。
  

1. 结果与讨论
   

• 空间特征的重要性：GCN模型的高灵敏度证明不同脑区电活动的空间相关性是癫痫检测的关键特征。
  
• 时空特征互补性：GAT-TCN系统的性能表明，仅依赖空间或时间特征均无法达到最优预测效果（例如纯GAT模型敏感性下降约3%）。
  
• 跨数据集泛化性：私有数据集SH-SDU与公开数据集CHB-MIT的结果一致性验证了算法的普适性。
  

1. 研究价值
   

• 科学意义：提出了癫痫EEG分析的图神经网络范式，为生理信号处理提供了新的方法论框架。
  
• 应用前景：系统可部署于便携设备，实现实时发作预警，显著提升患者安全性；算法开源促进社区发展（代码已发布于GitHub）。
  

1. 研究亮点
   

• 方法学突破：首次将GAT注意力机制应用于癫痫预测，通过可学习权重量化电极间重要性差异。
  
• 工程贡献：提出的后处理 pipeline 将误报率降低至临床可接受水平（<0.05次/小时）。
  

1. 后续方向
   作者指出当前模型对罕见发作类型的泛化能力有待提升，未来将结合多模态数据（如fMRI）进一步提高预测窗口精度。
   

（注：原文为山东大学2024年硕士学位论文，未正式发表于期刊，但部分成果已被IEEE TBME接收待刊。）