结合多个时间尺度和特征进行癫痫发作预测

时间：2026年1月30日

来源：Epilepsia

编辑推荐：

本研究提出一种机器学习算法，可提前2-4分钟预测癫痫发作，通过分析长时间iEEG记录中的多种EEG特征（包括慢速和宽带时间尺度下的特征组合），验证了‘自相关+方差+神经质量模型+尖峰率’组合特征在AUC达0.83时表现最佳，为临床应用提供可靠依据。

摘要

研究目的

预测癫痫发作是一项具有挑战性的任务。尽管已有许多关于癫痫发作预测的研究，但迄今为止，还没有任何一种方法能够在临床试验之外得到实际应用。此外，大多数研究方法都是针对短期颅内脑电图（iEEG）记录进行的，这限制了可靠统计分析的可能性。本文提出了一种机器学习算法，能够在癫痫发作前2-4分钟进行预测，从而帮助患者及时寻求帮助或启动刺激装置。

方法

本研究分析了过去和现在的多种特征，以确定哪些特征和特征分析方法在长期iEEG记录（来自14名局灶性癫痫患者）中表现最佳，从而为临床应用提供最可靠的依据。具体而言，本研究采用了一种多时间尺度周期特征分析框架进行癫痫发作预测，该框架考虑了最新的时间序列特征（如自相关性和方差）、发作间期癫痫样放电（IED）/尖峰率、高频活动（HFA）、七种不同的单变量特征以及基于大脑动态的三种神经质量模型（NMM）特征。

结果

通过对所有特征进行发作阶段直方图分析，并在快速（40分钟至2天）和慢速（2天以上）的宽带时间尺度上评估相应的同步指数（SI），研究了每种特征在癫痫发作预测中的潜力。在所有考虑的组合中，“自相关性 + 方差 + NMM + 尖峰率”特征组的平均AUC最高，达到了0.83，证明了其在癫痫发作预测中的有效性。