颞叶癫痫发作期和发作后的意识障碍与增强的互信息

稳定分数动力学网络抑制癫痫发作

Stabilizing Fractional Dynamical Networks Suppresses Epileptic Seizures

本文提出利用分数动力学网络稳定化方法，有效抑制癫痫发作，通过多尺度分析区分四种癫痫状态并实现显著的发作活动抑制。

个体结构连接性定义部分性癫痫的传播网络

Individual structural connectivity defines propagation networks in partial epilepsy

神经网络振荡是认知、知觉和意识的基本机制。因此，网络活动的扰动在脑疾病的病理生理学中起着重要作用。当来自非侵入性脑成像的结构信息与数学建模相结合时，生成性脑网络模型构成了探索脑功能因果机制和临床假设检验的计算机平台。我们在这里展示了耐药性癫痫的例子，来自扩散MRI的患者特定的虚拟脑模型具有足够的预测能力，以改善诊断和手术结果。在部分性癫痫中，癫痫发作起源于一个局部网络，即所谓的致痫区，然后再招募其他近距离或远距离的大脑区域。我们为15名患者创建了个性化的大规模大脑网络，并模拟了个体癫痫发作的传播模式。根据术前立体定向脑电图（SEEG）数据和标准治疗临床评价进行模型确认。我们证明，个人的大脑模型占患者癫痫发作传播模式的时间变异性，并解释手术后成功的变异性。我们的研究结果表明，结构连接的个体差异，当与数学动态模型相联系时，有能力解释在基于网络的大脑疾病中观察到的大脑动态时空组织的变化，从而开辟了发现新的临床干预措施的途径。

特定左颞叶和内侧颞叶结构的癫痫样棘波干扰言语情景记忆编码

Epileptiform spikes in specific left temporal and mesial temporal structures disrupt verbal episodic memory encoding

诊断为癫痫的患者会出现认知功能障碍，这可能是由于自发性癫痫样棘波引起的短暂性认知/记忆障碍（TCI/TMI）。我们在一组166名患有难治性局灶性癫痫的成年患者中询问，言语情景记忆编码过程中特定神经解剖区域的尖峰是否会显着降低回忆的概率。我们使用朴素贝叶斯机器学习模型发现，当尖峰出现在左侧Brodmann 21区（BA）21时，正确单词回忆的概率显著降低11.9%（p<0.001），左侧BA 38为49.7%（p=0.01），右侧BA 38为32.2%（p<0.001），左侧BA 36为21.4%（p<0.01）。我们还研究了言语起始区和语言优势半球对这种效应的影响。我们的研究结果表明，自发性癫痫样棘波产生了很大的影响TCI/TMI的大脑区域，已知是重要的语义处理和情节记忆。因此，癫痫患者的记忆障碍可能归因于与异常发作间期电事件相关的细胞事件。

在脉冲神经网络边缘推理处理器上实现的实时亚毫瓦级癫痫检测

Real-time Sub-milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor

本文提出在神经形态处理器Xylo上部署SNN进行实时EEG癫痫发作检测，实现高准确率与亚毫瓦级低功耗，适用于便携可穿戴设备。

解析ECoG在癫痫发作、传播和终止期间的时空动力学稳定性

Parsing spatiotemporal dynamical stability in ECoG during seizure onset, propagation, and termination

了解癫痫的脑动力学对于建立严格的控制目标至关重要，这些目标使新的治疗方法能够减轻癫痫发作的发生。在21名受试者共94次癫痫发作期间获得的多通道皮层脑电图（ECoG）记录中，我们应用动力系统稳定性分析来评估不同时间尺度和大脑区域癫痫发作动力学的平衡与不平衡。具体而言，我们考虑一个滑动时间窗口的多变量自回归线性近似的ECoG通道，其中估计的系数矩阵的特征分解描述了不同区域的时空过程（特征向量）与特定的时间尺度（特征值）的贡献所捕获的数据。有趣的是，我们观察到的特征值演变和缓慢变化（或近似时不变）的特征向量在癫痫发作和主题的模式。发病的特点是高频空间信息的增加，其中一些地区的贡献很长一段时间。相比之下，癫痫发作终止的特征在于多个区域促成的动力学的突然、小的时间段变化。当癫痫发作终止时，相对稳定的发作动力学迅速过渡到发作后状态，以相对快速的阻尼振荡为标志。我们的方法提供了一个特定主题的癫痫发作的时空行为的表征，提供了新的见解的动态模式和功能之间的相互作用，发生在不同的时间尺度的大脑区域。更一般地说，我们的方法通知工程目标，可用于部署新的控制策略，以防止癫痫发作的演变或加快癫痫发作终止的发展。

用于识别体外微电极阵列记录的癫痫样模式的时间序列分割

Time series segmentation for recognition of epileptiform patterns recorded via Microelectrode Arrays in vitro

本文提出两种轻量级时间序列分割算法ZdensityRODE和AMPDE，用于从微电极阵列记录的局部场电位中识别癫痫样事件，在发作期检测上取得高精度和召回率，并支持微调用于发作间期检测和癫痫预测。

癫痫发作-NGCLNet：通过节点-图双对比学习学习SEEG空间病理模式以检测药物抵抗性癫痫发作

Seizure-NGCLNet: Representation Learning of SEEG Spatial Pathological Patterns for Epileptic Seizure Detection via Node-Graph Dual Contrastive Learning

Seizure-NGCLNet通过节点-图双对比学习学习SEEG空间病理模式，实现高精度的药物抵抗性癫痫发作检测。

NET-TEN: a silicon neuromorphic network for low-latency detection of seizures in local field potentials

Therapeutic intervention in neurological disorders still relies heavily on pharmacological solutions, while the treatment of patients with drug resistance remains an open challenge. This is particularly true for patients with epilepsy, 30% of whom are refractory to medications. Implantable devices for chronic recording and electrical modulation of brain activity have proved a viable alternative in such cases. To operate, the device should detect the relevant electrographic biomarkers from Local Field Potentials (LFPs) and determine the right time for stimulation. To enable timely interventions…

通过分析作为数据分类问题的EEG同步预测癫痫发作

Anticipating epileptic seizures through the analysis of EEG synchronization as a data classification problem

癫痫是一种由脑电活动异常引起的神经系统疾病，约占世界人口的0.5- 0.8%。几项研究调查了癫痫发作和脑电波同步模式之间的关系，追求识别发作间期，发作前，发作和发作后状态的可能性。在这项工作中，我们介绍了一个基于图形的模型的大脑相互作用，研究同步模式的脑电图（EEG）信号。目的是开发一种针对患者的方法，也可用于实时使用，用于预测癫痫发作的发生。不同的同步措施的EEG信号和易于计算的功能，能够捕捉到实时的EEG同步的变化已被认为是。标准和特设的分类算法已经开发和使用。头皮EEG信号的结果表明，这种简单和计算上可行的处理是能够突出的变化，在同步对应的preictal状态。

基于时空独立成分分析的fMRI癫痫发作起始区定位

Localization of Seizure Onset Zone based on Spatio-Temporal Independent Component Analysis on fMRI

本研究提出基于静息态fMRI时空独立成分分析的成分分类方法，用于术前定位癫痫发作起始区，在13名颞叶癫痫患者中实现高精度定位，并依据与切除区域的关系分为完全、部分一致及不一致三类。

癫痫发作过程中有效连通网络的时间演化可控性

Time-evolving controllability of effective connectivity networks during seizure progression

据估计，美国300万癫痫患者中有三分之一以上对药物具有抗药性。来自长期植入电极的反应性神经刺激提供了一种有前景的治疗选择和切除手术的替代方案。然而，确定个性化的最佳刺激参数，包括何时何地进行干预以保证积极的患者结果，是一个重大的挑战。网络神经科学和控制理论提供了有用的工具，可以指导参数选择控制异常神经活动的改进。在这里，我们使用一种新的方法来表征动态可控性连续有效连接（EC）网络的基础上植入电极之间的正则化偏相关性的发病，传播和终止阶段的34个癫痫发作。我们使用图形最小绝对收缩和选择算子（GLASSO）从颅内皮层电图记录的一秒时间窗估计正则化偏相关邻接矩阵。平均和模态可控性度量计算每个EC网络跟踪随时间变化的可控性的大脑上的条件依赖网络相互作用的不断发展的景观。我们发现，平均可控性增加整个癫痫发作和模态可控性呈负相关。此外，我们的研究结果支持的假设，驱动大脑从一个发作状态到无癫痫状态所需的能量是最小的癫痫发作期间，然而，我们发现，在癫痫发作区的电极施加控制能量可能并不总是积极有利的。我们的工作表明，一个低复杂度的时间演化可控性模型可能为开发和改进针对癫痫发作抑制的控制策略提供新的见解。