基于人工智能的癲癇發作預測研究綜述

摘 要：癲癇屬于神經系統疾病，反復發作和持久傾向將導致機體損傷，因此提前發現癲癇發作有助提升患者的生活質量。為了全面且深入地探究人工智能在預測癲癇發作方面的研究進展及趨勢，首先介紹了目前常用的預測癲癇的腦電公開數據集、評價指標和預處理技術，其次將基于人工智能的癲癇發作預測研究劃分為基于機器學習和基于深度學習兩類，并分別進行分析。分析結果顯示，基于深度學習的癲癇發作預測，準確率能達到95%以上。基于以上研究結果得出人工智能應用于癲癇發作預測具有良好的發展前景。

關鍵詞：癲癇發作預測;深度學習;機器學習;腦電圖

中圖分類號：TP391 文獻標志碼：A

0 引言（Introduction）

癲癇（Epilepsy）是一種由異常的大腦活動引起的大腦神經系統疾病，其特征是反復發作并具有持久傾向，患病人群涉及全年齡段個體，并且近年來患病人數呈持續增長趨勢[1-2]。癲癇發作的患者會出現意識喪失和抽搐行為，給機體帶來嚴重的損傷[3]。預測癲癇發作可以降低疾病發作給患者機體帶來的損傷風險，改善患者的疾病預后。相較于基于人工提取特征的經典機器學習模型，因為深度學習具有自主提取與學習關鍵特征的優勢，所以在癲癇發作預測研究中展現出重要的價值。本文首先概述了癲癇發作預測常用的數據集、評價指標和預處理技術，其次分別介紹了機器學習技術、深度學習技術在癲癇發作預測中的具體應用，并分析了兩種技術的優點和缺點，最后總結了未來癲癇發作預測研究中需要解決的問題。

1 數據集和評價指標（Datasets and evaluation indicators）

1.1 數據集

腦電圖（Electroencephalogram，EEG）具有非入侵性且可以提供大腦的全局信息，因此被廣泛用于癲癇的發作預測研究[4]。目前，常用的預測癲癇的腦電公開數據集有波士頓兒童醫院和麻省理工學院聯合創建的癲癇腦電圖數據集（Children'sHospital Boston and Massachusetts Institute of Technology，CHB-MIT）[5]、弗萊堡醫院創建的癲癇腦電圖數據集（Freiburg）[6]和美國癲癇協會（American Epilepsy Society，AES）創建的數據集[7]。癲癇發作預測模型常用數據集如表1所示。

1.2 評價指標

靈敏度（Sensitivity，SEN）和特異性（Specificity，SPE）是評估癲癇發作預測方法性能的重要指標[8]。靈敏度衡量的是真陽性概率（True Positive Rate，TPR），而特異性則表示真陰性概率（True Negative Rate，TNR）。通常，可以通過公式（1）和公式（2）定義靈敏度和特異性，其中TP為真陽性，即正確分類為陽性類;TN為真陰性，即正確分類為陰性類;FP為假陽性，即陰性類預測為陽性;FN為假陰性，即陽性類預測為陰性。在癲癇發作預測中，癲癇發作前的狀態被認為是陽性，癲癇發作期間的狀態被認為是陰性。

評價指標還有受試者的工作特征曲線（Receiver OperatorCharacteristic，ROC）及其曲線下的面積（Area Under Curve，AUC）[9]。ROC是對癲癇發作間歇期和癲癇發作前期的TPR與FPR進行評估，AUC是對TPR與FPR進行分類算法性能排名[10]。

癲癇的發作預測是在癲癇發作前發出警報，在理論條件下，應該預測獲得癲癇發作的確切時間，但是在實際中，只能是預測癲癇大概率發作的時間段。因此，癲癇發作期（SeizureOccurrence Period，SOP）和癲癇發作預測期（Seizure PredictionHorizon，SPH）也是評估癲癇發作預測方法性能的指標。SOP為可能發生癲癇的時間段，SPH 為發出警報到SOP起始時的時間段[11]。

2 癲癇發作預測方法與模型（Methods and modelsfor epileptic seizure prediction）

患者癲癇發作時的腦電狀態可劃分為4個時期，分別為發作前期、發作期、發作后期和發作間歇期[12]。如圖1所示，發作前期是指患者癲癇發作前的幾秒到幾個小時的時間段，在此期間患者的腦電信號表現出相應的異常，可通過檢測異常信號進行發病預測;發作期是指患者癲癇發作的時間段;發作后期是指患者癲癇發作結束后與發作間歇期開始的時間段;發作間歇期是指患者腦電活動正常的時間段[13]。預測癲癇發作的前提是能及時且準確地檢測患者癲癇發作前的腦電狀態，因此預測癲癇發作可轉化為發作前期和發作間歇期的二分類問題。

2.1 預處理技術

未處理的腦電信號往往包含各種偽跡，偽跡分為生理偽跡和非生理偽跡兩類。生理偽跡一般來源于人體本身，常見的是眼動、心跳、呼吸時肌肉運動和汗腺分泌等產生的生理電信號;非生理偽跡通常來自外界環境的干擾，如市電干擾、電極與頭皮接觸不良等環境干擾因素[14]。因此，需要對采集的腦電數據進行預處理，盡可能減少或消除偽跡的影響，保留原始真實的信息，進而更準確地表征大腦神經信號，這對于癲癇的發作預測具有重要意義。低通、高通、帶通和陷波濾波器是目前消除偽跡的常見解決方案[15]，但是濾波器只有在偽跡的頻率不重疊時才有效，而在頻率重疊的情況下，則可以采用小波變換（Wavelet Transform，WT）[16]、回歸法[17]、盲源分離（BlindSource Separation，BSS）[18]、經驗模態分解（Empirical ModeDecomposition，EMD）[19]、濾波法（Filtering）[20-21]及稀疏分量分析（Sparse Component Analysis，SCA）[22]等方法（圖2）。除了使用上述方法外，還可以將經驗模態分解與盲源分離相結合[23]、小波與盲源分離相結合[24]等混合方法消除偽跡。

2.2 基于傳統機器學習的癲癇發作預測

如圖3所示，基于傳統機器學習的癲癇發作預測是從腦電信號中提取特征并選擇最佳特征，然后將特征分類為發作間歇期和發作前期，識別出癲癇發作前期的腦電信號，從而實現癲癇發作預測。

2.2.1 特征提取與選擇

EEG可提供與癲癇發作前密切相關的高靈敏度特征信息，特征提取是將腦電信號中最具鑒別意義的信息提取出來的過程。特征提取前，腦電信號通常被分割成特定長度的窗口，不同的窗口長度對預測結果有較大的影響[25-26]。EEG特征通常從時域分析、頻域分析、時頻域分析和非線性分析中提取，常用的特征有Hjorth參數、功率譜密度、Lyapunov指數和排列熵等[27-28]。YANG等[29]提取排列熵特征用于測量時間序列的復雜程度，結果表明，該特征在癲癇發作預測中有巨大的潛力。

特征選擇是選擇最佳特征以提高分類器性能的過程。提取的特征通常存在多余的信息，這些信息會干擾模型學習核心特征信息，影響模型性能。因此，減少特征數量可以同時減少分類器待優化參數的數量，提高預測速度和預測準確度。HUSSEIN等[30]使用模擬退火法尋找區分癲癇發作前和癲癇發作間歇期達到最佳性能的特征。ZHANG等[31]使用3個連續的算法分步進行特征選擇：首先刪除標準差較小的特征;其次保留權重較大的重要特征以供進一步分析;最后細化特征子集以消除冗余。

2.2.2 分類

分類是傳統機器學習（Machine Learning，ML）算法的常見任務之一，它使用選定的特征分類器區分癲癇患者的發作前期[9]。常用的機器學習模型有支持向量機（Support VectorMachine，SVM）、邏輯回歸（Logistic Regression，LR）、決策樹（Decision Trees，DTs）、隨機森林（Random Forest，RF）、樸素貝葉斯（Naive Bayes，NB）和K-最近鄰算法（K-Nearest Neighbors，KNN）等。

USMAN等[32]應用EMD進行EEG預處理，并提取時域和頻域特征，分別應用了KNN、NB和SVM 進行分類預測，靈敏度達到92.23%，最大預期時間為33 min，平均預測時間為23.6 min。MAHMOODIAN[33]等使用Freiburg癲癇腦電數據集和交叉雙譜方法提取非線性多變量特征輸入SVM來預測癲癇發作，獲得了100%的靈敏度。SAVADKOOHI等[34]利用巴特沃斯濾波、傅里葉變換和小波變換分別在時間域、頻域和時頻域提取腦電特征，并用T檢驗和序貫前向浮點選擇進行特征選擇，采用SVM 和KNN對腦電信號進行分類，SVM 應用于癲癇發作預測時，在靈敏度和特異性方面優于其他類型的分類器。ML用于癲癇發作預測的主要局限性是必須進行人工干預才能提取有效的特征，手動提取的特征具有高度的主觀性，并依賴于人工對該領域專業知識的掌握程度。因此，引入深度學習進行癲癇發作預測具有重要意義。

2.3 基于深度學習的癲癇發作預測

腦電信號中存在的噪聲和偽跡使得特征提取的處理非常復雜。深度學習（Deep Learning，DL）是機器學習的一個分支，它可以自動從腦電信號中提取特征并學習關鍵信息，基于深度學習的癲癇發作預測流程圖如圖4所示。因此，與手動特征提取的機器學習方法相比，自動提取特征的深度學習具有顯著優勢，使其逐漸成為癲癇發作預測領域的研究熱點。

卷積神經網絡（Convolutional Neural Network，CNN）與其他DL網絡相比，在癲癇發作預測中的應用更廣泛，通常采用2D-CNN預測癲癇何時發作。2D-CNN應用于預測癲癇發作時，首先使用預處理方法將腦電信號轉換為二維圖像，其次將這些圖像輸入CNN進行分類預測。TRUONG等[35]提出了一種適用于所有患者的癲癇發作預測方法，在30 s的腦電窗口上使用短時傅里葉變換（Short-Time Fourier Transform， STFT）提取頻域和時域的信息，自動為每一位患者生成優化的特征，對發作前期和發作間歇期的EEG進行二分類，獲得的靈敏度為81.2%。1D-CNN模型因實現簡單使其在癲癇發作預測研究中具有特殊的地位。JANA等[36]提出了一種基于最小通道CNN的癲癇發作預測方法用于癲癇患者的自動特征提取和分類，通過將22個腦電通道優化為6個，獲得了平均分類準確率為99.47%、平均靈敏度為97.83%、平均特異性為92.36%的優異性能。

由于EEG信號本質上是高度動態的、非線性的時間序列數據，因此長短期記憶（Long Short-Term Memory，LSTM）在此領域的應用比CNN更具有優勢，它可以分離出不同狀態下大腦活動的時間特征。TSIOURIS等[37]在癲癇發作預測中引入了LSTM 網絡，提取了時域和頻域特征，能夠預測所有185次癲癇發作。SINGH等[38]提出了一個基于頻譜特征的兩層LSTM網絡模型用于癲癇發作預測，并使用30 s的腦電片段，獲得的平均分類準確率為98.14%、平均靈敏度為98.51%、平均特異性為97.78%。USMAN等[39]使用EMD去除腦電信號中的噪聲，并使用生成對抗網絡生成發作前的樣本，以處理類別不平衡的問題。用三層CNN自動提取特征，用LSTM 進行發作前和發作間歇期的分類，得到93%的靈敏度和92.5%的特異性。實際應用中，LSTM僅被訓練為用于特定患者的癲癇發作預測，泛化能力較弱。

為了提高模型的泛化能力，可以考慮使用集成學習（Ensemble Learning，EL）的方法。集成學習是通過訓練多個學習器并將它們結合起來解決一個問題，通常結合了多個學習器的集成學習模型比單個學習器的性能更好。MUHAMMAD等[40]提出了一種基于深度學習的集成學習方法用于預測癲癇發作，提出了一種三層定制的CNN用于從預處理的EEG信號中自動提取特征并將其與手動提取特征相結合，以獲得全面的特征集。分類器使用無模型元學習（Model Agnostic MetaLearning，MAML）將SVM、CNN和LSTM 的輸出組合，應用在CHB-MIT數據集中，得到的平均靈敏度為96.28%，平均特異性為95.65%，平均預期時間為33 min。

3 結論（Conclusion）

目前，對于建立癲癇發作預測模型，傳統機器學習算法面臨一些問題，例如需要手動提取特征并泛化性較差。然而，深度學習算法能夠自動提取特征并調整網絡結構并參數以適應不同的數據，這使得其在處理各種類型和變化的腦電信號時更加靈活和可靠，但仍有問題亟須解決。未來，癲癇發作預測研究需開發具有成本效益、低功耗、實時性的用于監測與采集腦電信號的硬件設備，以及構建具有可解釋性和高性能的預測模型。

參考文獻（References）

[1] FISHER R S，ACEVEDO C，ARZIMANOGLOU A，et al.ILAE official report：a practical clinical definition of epilepsy[J]. Epilepsia，2014，55（4）：475-482.

[2] 韓芳，樊登貴，張麗媛，等. 神經系統疾病與認知動力學（Ⅰ）：癲癇發作的動力學與控制[J]. 力學進展，2022，52（2）：339-396.

[3] CHERIAN R，KANAGA E G. Theoretical and methodologicalanalysis of EEG based seizure detection and prediction：an exhaustive review[J]. Journal of neurosciencemethods，2022，369：109483.

[4] CRAIK A，HE Y T，CONTRERAS-VIDAL J L. Deeplearning for electroencephalogram （EEG） classificationtasks：a review[J]. Journal of neural engineering，2019，16（3）：031001.

[5] CHEN X，ZHENG Y J，DONG C X，et al. Multi-dimensionalenhanced seizure prediction framework based ongraph convolutional network[J]. Frontiers in neuroinformatics，2021，15：605729.

[6] IHLE M，FELDWISCH-DRENTRUP H，TEIXEIRA C A，et al. EPILEPSIAE-a European epilepsy database[J].Computer methods and programs in biomedicine，2012，106（3）：127-138.

[7] HUSSEIN R，LEE S，WARD R，et al. Semi-dilated convolutionalneural networks for epileptic seizure prediction[J].Neural networks，2021，139：212-222.

[8] OSORIO I，FREI M G，WILKINSON S B. Real-time automateddetection and quantitative analysis of seizures andshort-term prediction of clinical onset[J]. Epilepsia，1998，39（6）：615-627.

[9] RASHEED K，QAYYUM A，QADIR J，et al. Machinelearning for predicting epileptic seizures using EEG signals：a review[J]. IEEE reviews in biomedical engineering，2020，14：139-155.

[10] MAIMAITI B，MENG H M，LV Y D，et al. An overviewof EEG-based machine learning methods in seizure predictionand opportunities for neurologists in this field[J].Neuroscience，2022，481：197-218.

[11] CHEN H H，CHERKASSKY V. Performance metrics foronline seizure prediction[J]. Neural networks，2020，128：22-32.

[12] BOU ASSI E，NGUYEN D K，RIHANA S，et al. Towardsaccurate prediction of epileptic seizures：a review[J]. Biomedicalsignal processing and control，2017，34：144-157.

[13] KUHLMANN L，LEHNERTZ K，RICHARDSON M P，et al. Seizure prediction-ready for a new era[J]. Naturereviews neurology，2018，14：618-630.

[14] STONE D B，TAMBURRO G，FIEDLER P，et al. Automaticremoval of physiological artifacts in EEG：the optimizedfingerprint method for sports science applications[J].Frontiers in human neuroscience，2018，12：96.

[15] LI S F，ZHOU W D，YUAN Q，et al. Seizure predictionusing spike rate of intracranial EEG[J]. IEEE transactionson neural systems and rehabilitation engineering：apublication of the IEEE engineering in medicine and biologysociety，2013，21（6）：880-886.

[16] SLIMEN I B，BOUBCHIR L，MBARKI Z，et al. EEG epilepticseizure detection and classification based on dualtreecomplex wavelet transform and machine learning algorithms[J]. Journal of biomedical research，2020，34（3）：151-161.

[17] MAHAMUNE R，LASKAR S H，DHARMALE N，et al.Ocular artifacts removal from EEG signals using DiscreteWavelet Transform and Quadratic Regression Method[C]∥IEEE. Proceedings of the IEEE：2022 IEEE India CouncilInternational Subsections Conference（INDISCON）. Piscataway：IEEE，2022：1-7.

[18] CORSINI J，SHOKER L，SANEI S，et al. Epileptic seizurepredictability from scalp EEG incorporating constrainedblind source separation[J]. IEEE transactions onbio-medical engineering，2006，53（5）：790-799.

[19] HASSAN A R，SUBASI A，ZHANG Y C. Epilepsy seizuredetection using complete ensemble empirical modedecomposition with adaptive noise[J]. Knowledge-basedsystems，2020，191：105333.

[20] GARCéS CORREA A，OROSCO L L，DIEZ P，et al. Adaptivefiltering for epileptic event detection in the EEG[J].Journal of medical and biological engineering，2019，39（6）：912-918.

[21] SHANG Y Z，LONG S L. EEG signal classifiaction withoptimized LSTM：a meta-heuristic approach[C]∥IEEE.Proceedings of the IEEE：2022 IEEE International Conferenceon Advances in Electrical Engineering and ComputerApplications（AEECA）. Piscataway：IEEE，2022：922-929.

[22] WU Y L，ZHANG H X，WANG H Q，et al. The sparsedecomposition and compression of ECG and EEG basedon matching pursuits[C]∥IEEE. Proceedings of theIEEE：2010 IEEE 3rd International Conference on BiomedicalEngineering and Informatics. Piscataway：IEEE，2010：1094-1097.

[23] JIANG X，BIAN G B，TIAN Z A. Removal of artifactsfrom EEG signals：a review [J]. Sensors，2019，19（5）：987.

[24] YAN X T，BOUDRIAS M H，MITSIS G D. Removal oftranscranial alternating current stimulation EEG artifactsusing blind source separation and wavelets[J]. IEEEtransactions on bio-medical engineering，2022，69（10）：3183-3192.

[25] ALOTAIBY T N，ALSHEBEILI S A，ALOTAIBI F M，et al. Epileptic seizure prediction using CSP and LDA forscalp EEG signals[J]. Computational intelligence andneuroscience，2017，2017：1240323.

[26] CHO D，MIN B，KIM J，et al. EEG-based prediction ofepileptic seizures using phase synchronization elicitedfrom noise-assisted multivariate empirical mode decomposition[J]. IEEE transactions on neural systems and rehabilitationengineering：a publication of the IEEE engineering inmedicine and biology society，2017，25（8）：1309-1318.

[27] USMAN S M，HASSAN A. Efficient prediction and classificationof epileptic seizures using EEG data based onunivariate linear features [J]. Journal of computers，2018，13（6）：616-621.

[28] FICICI C，EROGUL O，TELATAR Z. Epileptic activitydetection in EEG signals using linear and non-linear featureextraction methods[C]∥IEEE. Proceedings of theIEEE：2019 IEEE 11th International Conference on Electricaland Electronics Engineering （ELECO）. Piscataway：IEEE，2019：449-455.

[29] YANG Y L，ZHOU M N，NIU Y，et al. Epileptic seizureprediction based on permutation entropy[J]. Frontiers incomputational neuroscience，2018，12：55.

[30] HUSSEIN H M，ABDALLA K K. Seizure predictionalgorithm based on simulated annealing and machinelearning[J]. International journal of nonlinear analysisand applications，2023，14（1）：1499-1508.

[31] ZHANG Y D，YANG S H，LIU Y，et al. Integration of 24feature types to accurately detect and predict seizuresusing scalp EEG signals[J]. Sensors，2018，18（5）：1372.

[32] USMAN S M，USMAN M，FONG S. Epileptic seizuresprediction using machine learning methods[J]. Computationaland mathematical methods in medicine，2017，2017：9074759.

[33] MAHMOODIAN N，HADDADNIA J，ILLANES A，et al. Seizure prediction with cross-higher-order spectralanalysis of EEG signals[J]. Signal，image and video processing，2020，14（4）：821-828.

[34] SAVADKOOHI M，OLADUNNI T，THOMPSON L. Amachine learning approach to epileptic seizure predictionusing electroencephalogram （EEG） signal[J]. Biocyberneticsand biomedical engineering，2020，40（3）：1328-1341.

[35] TRUONG N D，NGUYEN A D，KUHLMANN L，et al.Convolutional neural networks for seizure prediction usingintracranial and scalp electroencephalogram[J]. Neuralnetworks，2018，105：104-111.

[36] JANA R，MUKHERJEE I. Deep learning based efficient epilepticseizure prediction with EEG channel optimization[J].Biomedical signal processing and control，2021，68：102767.

[37] TSIOURIS Κ Μ，PEZOULAS V C，ZERVAKIS M，et al.A long short-term memory deep learning network for theprediction of epileptic seizures using EEG signals[J].Computers in biology and medicine，2018，99：24-37.

[38] SINGH K，MALHOTRA J. Two-layer LSTM networkbasedprediction of epileptic seizures using EEG spectralfeatures[J]. Complex amp; intelligent systems，2022，8（3）：2405-2418.

[39] USMAN S M，KHALID S，BASHIR Z. Epileptic seizureprediction using scalp electroencephalogram signals[J].Biocybernetics and biomedical engineering，2021，41（1）：211-220.

[40] MUHAMMAD USMAN S，KHALID S，BASHIR S. Adeep learning based ensemble learning method for epilepticseizure prediction[J]. Computers in biology and medicine，2021，136：104710.

作者簡介：

汪文杰（1997-），男，碩士生。研究領域：醫學圖像處理。

姚旭峰（1976-），男，博士，教授。研究領域：人工智能與計算機圖像處理。本文通信作者。

基金項目：國家重點研發計劃（2020YFC2008700）;國家自然科學基金（61971275，81830052，82072228）資助;上海市地方高校能力建設科學技術委員會（23010502700）資助