基于双流时空频谱大模型的儿童自限性伴中央颞区棘波癫痫EEG精准诊断系统

本文提出创新性双流时空频谱大模型（DeaSTL），通过融合多视角时序特征与图卷积空间-频谱特征，突破传统癫痫EEG分析维度局限。研究构建首个大规模SJTU SeLECTS EEG数据集（SLED），首次实现睡眠期棘慢波指数（SWI）的AI量化预测，为儿童自限性癫痫（SeLECTS）的放电严重度评估提供新范式。

Highlight

我们开发的新型双流架构突破性地整合了癫痫EEG信号的时空频谱多维特征：时序流采用预训练大模型捕捉放电波形动态，空间-频谱流通过图注意力机制解析脑区拓扑关联。这种"宏观+微观"的双视角解析策略，使模型能同时识别秒级放电事件与毫秒级波形变异特征。

Methods for EEG Classification

传统CNN模型在癫痫预测中虽能提取空间特征，但难以建模跨频段耦合关系。本研究创新性地将Transformer与时频图卷积结合：在频谱维度，通过Morlet小波变换提取γ/θ/δ频段能量；在空间维度，基于10-20系统电极位置构建动态功能连接图。这种"时-空-频"三重注意力机制显著提升了NREM睡眠期（非快速眼动期）放电的识别率。

Data Acquisition

来自上海儿童医院神经科的310小时EEG核心数据，涵盖212例3-17岁SeLECTS患者（男115/女97）的完整睡眠周期记录。所有数据均经专家标注三重标签：SWI分级（<50%、50-85%、>85%）、发作间期放电（IED）位置、以及觉醒-睡眠状态。特别包含21例ESES（睡眠期癫痫性电持续状态）患者的典型放电模式。

Overview

如图3所示，DeaSTL模型采用双流协同架构：上支路通过多尺度卷积提取μ节律（8-13Hz）的时域突变特征，下支路利用动态图网络建模中央颞区-额叶的功能连接。创新设计的SWI预测模块，首次实现基于13秒EEG片段的放电密度概率预测，临床验证中达到87.2%的周期识别准确率。

Experiments

在SLED-SWI子集测试中，模型对>85%高放电密度的识别F1值达0.91，显著优于对比方法（p<0.01）。特别在ESES亚组分析中，SWI预测结果与视频脑电图（VEEG）人工计数的相关系数r=0.89。异常放电检测任务中，中央颞区棘波的AUC达到0.93，假阳性率较传统方法降低37%。

Discussion

当前模型在泛化性方面仍存在局限：①对肌电伪迹敏感，需增加运动伪迹抑制模块；②SWI预测在<3岁患儿中误差较大，可能与小头围导致的电极间距变异有关。未来计划融合fNIRS（功能性近红外光谱）多模态数据提升特异性。

Conclusion

DeaSTL模型首次实现SeLECTS综合征的"放电定位-睡眠分期-严重度量化"三位一体分析，其SWI预测模块为临床ESES早期干预提供客观指标。开源数据集SLED填补了儿童癫痫AI研究领域的数据空白，推动癫痫精准诊疗向"秒级响应、微伏级解析"迈进。