这篇文档属于类型a（报告单项原创研究），以下是针对该研究的学术报告：

基于EEG的双流时空频谱大模型在伴中央颞区棘波的儿童良性癫痫中的应用研究

一、作者与发表信息

本研究由上海交通大学计算机科学与技术学院的Lin Zhang、Shikui Tu、Lei Xu团队与上海交通大学医学院附属上海儿童医院神经内科的Yun Ren、Fang Yuan、Xuqin Chen团队合作完成，发表于Expert Systems with Applications期刊（2026年卷298期，文章编号129530）。

二、学术背景

科学领域：本研究属于癫痫诊断的计算机辅助系统领域，结合了脑电图（EEG）信号分析与深度学习技术。

研究背景：
1. 伴中央颞区棘波的儿童良性癫痫（Self-limited Epilepsy with Centrotemporal Spikes, SELECTS）是儿童最常见的局灶性癫痫，占儿童癫痫病例的20%-25%，部分患儿可能伴随认知功能障碍和行为问题。
2. 传统EEG分析依赖人工判读，耗时且易受主观影响，亟需自动化方法提升诊断效率。
3. 棘慢波指数（Spike-Wave Index, SWI）是量化睡眠中异常放电的关键指标，但现有研究缺乏针对SWI预测的自动化解决方案。

研究目标：
- 提出双流时空频谱大模型（DEASTL），整合EEG的时空与频谱特征。
- 构建首个多任务儿科癫痫EEG数据集（SJTU SELECTS EEG Dataset, SLED），涵盖异常放电检测、睡眠分期和SWI预测任务。
- 验证模型在临床辅助诊断中的价值。

三、研究流程与方法

1. 数据采集与预处理

• 研究对象：212例SELECTS患者（年龄3-17岁，均值8.3岁）的310小时EEG数据，采集自上海儿童医院，使用Natus Nicolet V32设备（采样率500 Hz，电极布局遵循国际10-20系统）。
  
• 数据标注：由神经科专家标注每13秒片段的异常放电（CTS）、睡眠状态（清醒/睡眠）及患者级SWI（阈值50%）。
  
• 预处理：
  
  • 带通滤波（0.3–70 Hz）去除噪声。
    
  • 降采样至200 Hz以平衡计算效率与信号保真度。
    

2. 模型架构（DEASTL）

DEASTL包含双流结构：
- 时间流（Temporal Stream）：
- 基于预训练大型EEG模型（如LabRAM）提取多尺度时间特征。
- 通过Transformer编码器捕获长程依赖关系，并融合多层输出以增强特征表达。
- 空间-频谱流（Spatial-Spectral Stream）：
- 计算5个频段（Delta、Theta、Alpha、Beta、Gamma）的微分熵（Differential Entropy, DE）特征。
- 构建动态功能连接图（结合样本特异性与全局模式），通过图卷积网络（GCN）与注意力机制提取空间-频谱特征。
- 分类头：双流特征拼接后，采用Focal Loss解决类别不平衡问题。

3. 数据集构建（SLED）

SLED包含三个子集：
- SLED-SWI：64,005个片段，用于预测患者SWI是否>50%。
- SLED-CTS：85,011个片段，标注异常放电。
- SLED-Sleep：85,653个片段，标注睡眠状态。
数据集按7:1.5:1.5划分训练集、验证集和测试集，确保跨受试者泛化能力。

4. 实验设计

• 基线模型对比：包括SVM、Random Forest、SPARCNet、CNN-Transformer等。
  
• 评价指标：准确率（ACC）、平衡准确率（BACC）、PR曲线下面积（PRAUC）、ROC曲线下面积（AUROC）。
  

四、主要结果

1. SWI预测（SLED-SWI）

DEASTL在SWI预测任务中显著优于基线模型：
- AUROC达86.91%（比最佳基线LabRAM高8.57%），表明模型对异常放电严重程度的判别能力优异。
- BACC为80.08%，显示其对类别不平衡的鲁棒性。

2. 异常放电检测（SLED-CTS）

• ACC达93.37%，召回率96.70%，证明模型精准捕捉中央颞区棘波。
  
• PRAUC为99.34%，接近完美分类性能。
  

3. 睡眠分期（SLED-Sleep）

• AUROC为87.72%，优于所有对比模型（如ContraWR的85.02%）。
  

4. 消融实验

验证双流架构的必要性：
- 仅用时间流（如LabRAM）的AUROC为78.34%，加入空间-频谱流后提升至86.91%。

五、结论与价值

1. 科学价值：
   
   • 首次将大型EEG模型应用于儿科癫痫，提出动态功能连接图建模方法，推动多模态EEG分析的发展。
     
2. 临床价值：
   
   • DEASTL可辅助医生快速识别SELECTS患儿的异常放电模式与睡眠状态，为早期干预（如预防ESES）提供量化工具。
     
3. 数据贡献：
   
   • SLED是首个支持SWI预测的多任务儿科EEG数据集，填补了领域空白。
     

六、研究亮点

1. 方法创新：双流架构首次整合预训练时间模型与动态图频谱分析。
   
2. 任务突破：首次实现SWI的自动化预测，为癫痫严重程度评估提供新范式。
   
3. 临床实用性：模型设计贴合医生工作流程（如13秒片段分析），易于落地。
   

七、其他价值

• 统计检验显示DEASTL性能提升显著（p<0.05），结果可靠。
  
• 跨数据集测试（TUAB）验证了模型的泛化能力（未详细展开）。
  

此报告系统梳理了研究的创新性、方法学严谨性及临床意义，为相关领域学者提供了全面的参考。