Human Intracranial EEG Quantitative Analysis and Automatic Feature Learning for Epileptic Seizure Prediction
目的：本研究的目的是开发一个有效的和可靠的癫痫发作预测系统，使用颅内脑电图（iEEG）数据，特别是对耐药性癫痫患者。预测程序应该以足够快的方式产生准确的结果，以提醒患者即将发生癫痫发作。方法：我们定量分析人类iEEG数据，以深入了解人类大脑在癫痫发作之前和之间的行为。然后，我们介绍了一种有效的预处理方法，用于减少数据的大小和转换的时间序列iEEG数据到一个类似图像的格式，可以用作输入到卷积神经网络（CNN）。此外，我们提出了一种癫痫发作预测算法，该算法使用协作多尺度CNN对iEEG数据进行自动特征学习。结果如下：1）iEEG通道包含互补信息，排除单个通道对于保留准确预测癫痫发作所需的空间信息是不可取的。2)传统的主成分分析不是一种可靠的方法来减少癫痫发作预测的iEEG数据。3)手工制作的iEEG功能可能不适合可靠的癫痫发作预测性能，因为iEEG数据在患者之间以及同一患者的时间内会发生变化。4)癫痫发作预测结果表明，我们的算法优于现有的方法，实现了87.85%的平均灵敏度和AUC得分为0.84。结论：了解人类大脑在癫痫发作之前和远离癫痫发作时的行为有助于更好地设计癫痫发作预测器。意义：准确的癫痫发作预测算法可以警告患者下一次癫痫发作，以便他们避免危险活动。然后可以使用药物来中止即将发生的癫痫发作，并将受伤的风险降至最低。
2019-04-07 cs.NE q-bio.NC
Suppressing seizure via optimal electrical stimulation to the hub of epileptic brain network
该研究构建融合系统辨识与控制策略的模型预测平台，证明刺激癫痫脑网络枢纽可取得与直接刺激SOZ相当的癫痫抑制效果。
2024-06-14 cs.SY eess.SY q-bio.NC
An explanation of the distribution of inter-seizure intervals
最近Osorio等人（Eur.神经科学杂志，30（2009）1554）报道了连续癫痫发作之间的间隔的概率分布遵循指数为1.5的幂律。我们从理论上解释了这一发现的模型癫痫活动作为一个分支过程，我们反过来近似随机游走。通过数值模拟验证了理论结论。
2010-09-23 math.PR physics.bio-ph q-bio.NC
Stabilizing Fractional Dynamical Networks Suppresses Epileptic Seizures
University of Southern California（南加州大学）；University of Kansas（堪萨斯大学）；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）；Instituto de Telecomunicações（电信研究所）；Texas Tech University（德克萨斯理工大学）
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。
2025-12-23 q-bio.NC q-bio.QM
Localization of Epileptic Seizure Focus by Computerized Analysis of fMRI Recordings
通过对儿童癫痫患者的功能磁共振成像记录的皮层活动进行计算机分析，我们实现了癫痫发作病灶在八个皮层叶之一内的算法定位。我们创新的机器学习技术涉及对解剖学识别的皮层区域之间的互信息系数的大矩阵的密集分析。具有显著互连性的区域对的剧烈选择为我们的多层感知器（MLP）分类器提供了有效的输入。通过实施严格的参数简约，以避免过度拟合，我们构建了一个小尺寸的MLP具有很好的成功分类的百分比。
2018-12-11 q-bio.NC q-bio.QM
Topological classifier for detecting the emergence of epileptic seizures
在这项工作中，我们研究如何应用拓扑数据分析，以创建一个适合于癫痫患者的脑电图分类方法。利用持续熵作为区分健康和癫痫信号的全局拓扑特征，对脑电信号的拓扑空间进行分析。Physionet数据集已被用于测试分类器。
2016-11-12 cs.IT math.IT q-bio.NC
Hyperbolic embedding of brain networks as a tool for epileptic seizures forecasting
本研究利用双曲嵌入表征脑网络，结合机器学习构建统计模型，实现对癫痫发作前期状态的准确区分与预测，为发作预测提供新生物标志物。
2025-04-15 physics.data-an q-bio.NC
Detecting Epileptic Seizures from EEG Data using Neural Networks
我们探索使用神经网络训练与辍学预测癫痫发作的脑电图数据（头皮脑电图）。神经网络的输入是126个特征向量，其包含在1秒非重叠窗口上获得的14个EEG通道中的每个通道的9个特征。我们实验中的模型在训练过程中没有使用的患者记录上实现了高灵敏度和特异性。这是使用患者记录之间的留一交叉验证来证明的，其中我们将一个患者的记录作为测试集，并使用所有其他患者的记录进行训练;对数据库中的所有患者重复此过程。
2019-02-04 cs.LG cs.NE q-bio.NC
How important is the seizure onset zone for seizure dynamics?
目的：对癫痫网络的研究最近使人们对癫痫过程有了更深入的了解。在这里，我们研究了单个网络节点对癫痫发作动力学的重要性。方法：分析86例不同解剖学部位局灶性癫痫发作的颅内脑电图记录。与时间分辨相关分析，我们推导出一个序列的加权癫痫网络跨越发作前，发作，发作后的时期，每个记录网站代表一个网络节点。我们评估节点的重要性与常用的中心性指标，考虑到不同的网络属性。结果：观察到节点重要性的时间演变的高变异性，内部和个体间。然而，癫痫发作区（SOZ）附近和远处的淋巴结被认为对癫痫发作动力学最重要（65%的病例），而不是SOZ内的淋巴结（35%的病例）。结论：我们的研究结果强调了SOZ以外的大脑的高度相关性，但在大规模的癫痫网络癫痫发作动力学。这些网络成分的知识可能阐明个性化的治疗干预，旨在防止癫痫发作的产生和传播的目标。
2014-12-02 physics.data-an physics.med-ph q-bio.NC
Evolving Network Model that Almost Regenerates Epileptic Data
在许多现实网络中，代表节点之间相互作用的边是时变的。越来越多的证据表明，模拟人脑动态的复杂网络具有随时间变化的互连，即，网络正在发展。基于这些证据，我们构建了一个患者和数据特定的进化网络模型（包括离散时间动力系统），其中癫痫发作或其在大脑中的终止也由节点之间随时间变化的互连性质决定。我们的方法的一个新颖而独特的特征是，不断发展的网络模型记住了它所构想的数据，在这个意义上说，它的演变，几乎再生病人的数据，即使提出了一个任意的初始条件，我们说明了我们的方法的潜在效用，通过构建一个不断发展的网络，从临床数据，有助于确定一个近似的癫痫发作的重点--在这种理论上确定的癫痫发作焦点中的节点是向外的枢纽，其显然充当癫痫发作的传播者。我们还指出了消除这种传播器在限制癫痫发作的疗效。
2016-11-17 q-bio.NC
Failure of adaptive self-organized criticality during epileptic seizure attacks
临界动力学被认为是一个有吸引力的模式，正常的大脑功能作为信息处理和计算能力被发现是优化。最近的实验观察的神经元活动模式的幂律分布，一个标志性的系统在一个临界状态，导致了假设，人类大脑动力学可以在有序和无序的活动之间的相变。到目前为止，一个尚未解决的问题涉及关键大脑活动的医学意义以及它与病理条件的关系。使用侵入性脑电图记录从人类的数据，我们表明，在癫痫发作的攻击神经元活动模式偏离正常观察到的幂律分布特征的关键动态。这些观察结果的比较，从一个计算模型表现出自组织临界（SOC）的基础上自适应网络允许进一步深入了解潜在的动态。总之，这些结果表明，大脑动力学偏离临界癫痫发作期间所造成的自适应SOC的失败。
2011-05-24 nlin.AO q-bio.NC
Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review
Monash University（莫纳什大学）；Alfred Health（阿尔弗雷德健康）；The University of Melbourne（墨尔本大学）；Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；St. Vincent’s Hospital, The University of Melbourne（墨尔本大学圣文森特医院）；Turner Institute for Brain and Mental Health, Monash University（莫纳什大学特纳脑与心理健康研究所）；Monash Biomedical Imaging, Monash University（莫纳什大学生物医学成像）；Wellcome Centre for Human Neuroimaging, UCL（伦敦大学学院人类神经成像威尔康姆中心）
随着人工智能（AI）和机器学习（ML）技术的进步，研究人员正在努力将这些技术用于推进临床实践。医疗保健的主要目标之一是早期发现和预测疾病，以及时提供预防干预措施。癫痫病尤其如此，其特征是反复发作和不可预测的癫痫发作。如果能够提前预测癫痫发作，患者可以从癫痫发作的不良后果中解脱出来。尽管经过几十年的研究，癫痫发作的预测仍然是一个未解决的问题。这种情况可能会持续下去，至少部分原因是没有足够的数据来解决这个问题。在基于ML的算法中有令人兴奋的新发展，这些算法有可能在癫痫发作的早期和准确预测中实现范式转变。在这里，我们提供了一个全面的审查国家的最先进的ML技术在早期预测癫痫发作使用EEG信号。我们将确定当前研究中的差距，挑战和陷阱，并建议未来的发展方向。
2020-02-04 cs.LG eess.SP q-bio.NC
Dynamic Changes of Brain Network during Epileptic Seizure
本研究通过构建多频段脑网络、提取拓扑特征并结合无监督聚类，揭示癫痫发作期脑同步性及网络拓扑的动态变化，指出脑动力学比传统三态模型更复杂且发作期状态变化更慢。
2023-10-04 eess.SP q-bio.NC
Anticipating epileptic seizures through the analysis of EEG synchronization as a data classification problem
Università di Siena（锡耶纳大学）；Università Sapienza di Roma（罗马 Sapienza 大学）
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。
2018-01-24 cs.LG q-bio.NC
On spatial and temporal multilevel dynamics and scaling effects in epileptic seizures
癫痫发作是神经系统最著名的功能障碍之一。在癫痫发作期间，观察到神经活动的高度同步行为，其可引起从轻度感官功能障碍到完全失去身体控制的症状。在本文中，我们的目标是有助于更好地了解动力系统的现象，导致癫痫发作。根据数据分析和建模，可以确定癫痫发作动力学具有多个空间尺度，并且在每个空间尺度上也具有多个时间尺度。在每一个尺度上，我们都得到了一些新的见解。在最小的空间尺度上，我们考虑单个模型神经元，并研究尖峰的早期预警信号。这介绍了理论的临界过渡到可激发系统。对于神经元簇（或神经元区域），我们使用患者数据并发现癫痫发作附近的振荡行为和新的缩放律。这些标度证实了从平均场模型获得的猜想，即癫痫发作附近可能涉及霍普夫分岔。在最大的空间尺度上，我们引入了一个措施的基础上锁相间隔和小波癫痫发作建模。它用于解决大脑不同区域之间的同步，并识别不同小波尺度下的时移标度律。我们还比较了我们的基于小波的多尺度方法与最大线性互相关和平均相位相干措施。
2011-07-29 math.DS nlin.CD nlin.PS
Convolutional Neural Networks for Epileptic Seizure Prediction
Technische Universität Dresden（德累斯顿工业大学）；Monash University（莫纳什大学）；St Vincent’s Hospital Melbourne（墨尔本圣文森特医院）；Mayo Clinic（梅奥诊所）
本文提出用卷积神经网络直接处理颅内脑电图进行癫痫发作预测，避免手工特征提取，并在狗和患者的公开数据集上验证了其适用性。
2023-04-11 cs.LG q-bio.NC stat.ML
Phenomenological Mesoscopic Models for Seizure Activity
在这一章中，我们回顾了癫痫样活动的现象学模型。我们讨论了癫痫发作和抵消，preictal尖峰，尖峰和波复合物和癫痫持续状态的动力学机制，突出了模型的分叉结构，噪声的存在和多个相互作用的时间尺度的出现所发挥的作用。这些模型可用于构建大规模患者特定的大脑网络模型，作为计算机平台来测试临床假设和执行虚拟手术。他们提出了创新的治疗策略，如微创消融或刺激，充分利用系统的网络和动力学特性，甚至调制变量和参数，迫使系统在分叉图的安全区域。我们讨论的见解，从现象学模型，可以帮助促进我们了解癫痫发作的机制。
2020-07-06 q-bio.NC
Modeling the Complex Dynamics and Changing Correlations of Epileptic Events
癫痫患者除了完全发作的临床癫痫发作外，还可以表现出短暂的亚临床癫痫发作。我们相信这两类事件之间的关系-以前没有定量研究的东西-可以产生对癫痫发作的性质和内在动力学的重要见解。我们工作的一个目标是将这些复杂的癫痫事件解析为不同的动态机制。我们研究的颅内EEG（iEEG）数据所带来的挑战是，电极的数量和位置可能因患者而异。我们开发了一个贝叶斯非参数马尔可夫切换过程，允许（i）共享的动态制度之间的可变数量的通道，（ii）异步政权切换，和（iii）一个未知的字典的动态政权。我们使用马尔可夫切换高斯图形模型的创新过程中驱动的通道动态编码的通道之间的依赖关系的稀疏和不断变化的集合，并证明了该模型在解析和iEEG数据的样本预测的重要性。我们表明，我们的模型产生直观的状态分配，可以帮助自动化癫痫发作的临床分析，并使亚临床爆发和完全临床癫痫发作的比较。
2014-07-14 q-bio.NC stat.AP stat.ML
Epileptic seizure forecasting with long short-term memory (LSTM) neural networks
本文提出利用LSTM神经网络监测颅内EEG特征随时间的变化来预测癫痫发作，通过CNN提取1分钟EEG片段的频域特征并输入不同时间尺度的LSTM，在NeuroVista数据集上实现了优于随机预测器的表现，并首次将干预时间预测延长至40分钟。
2023-09-18 q-bio.NC
Seizure-NGCLNet: Representation Learning of SEEG Spatial Pathological Patterns for Epileptic Seizure Detection via Node-Graph Dual Contrastive Learning
Tianjin Medical University（天津医科大学）
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。
2025-11-19 cs.LG eess.SP q-bio.NC
Chimera States and Seizures in a Mouse Neuronal Model
嵌合体状态-同步和同步在相同振荡器的非局部耦合网络中共存-经常被用作癫痫发作的模型框架。在这里，我们探讨了嵌合体状态的动态修改Hindmarsh-Rose神经元网络，配置为反映中尺度小鼠连接体的图形。我们的模型产生表面癫痫样活动收敛于持久的嵌合体状态在一个大区域的两个参数的空间控制连接（a）在皮层和（b）皮层之间的亚皮层。我们的研究结果有助于越来越多的文献表明数学模型可以定性地再现癫痫发作动力学。
2020-06-23 nlin.PS q-bio.NC
StationPlot: A New Non-stationarity Quantification Tool for Detection of Epileptic Seizures
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Techno India University（Techno印度大学）；Manipal University, Jaipur（斋浦尔曼尼帕尔大学）
一个新的非平稳可视化工具称为StationPlot的开发破译的混沌行为的动态时间序列。在StationPlot上利用凸壳几何（Convex Hull Geography，CHG）建立了一系列分析测度，它们列举了非平稳性和变异度的几何方面。在欧氏空间中，趋势平稳（TS）和差异平稳（DS）扰动都被StationPlot的感兴趣区域（ROI）的非对称结构所理解。所提出的方法是实验验证使用EEG信号，其中它理解的相对时间演变的神经动力学及其非平稳形态，从而举例说明其诊断能力癫痫发作活动（SA）检测。实验结果和方差分析（ANOVA）对提取的CHG特征表现出更好的分类性能相比，现有的浅特征为基础的国家的最先进的和验证其有效性的几何丰富的判别描述符的信号处理应用。
2018-11-10 cs.CV eess.SP q-bio.NC
Seizure intervention via diffusion mechanisms
我们首先证明，神经元状态方程从动态因果模型的形式离散化的福克-普朗克方程后，包括在网络内的局部活动梯度。使用这个修改后的神经元状态方程的雅可比矩阵，我们表明，一个最初不稳定的系统可以通过降低扩散率呈现稳定。因此，如果已知系统内的一个节点由于癫痫发作的倾向而不稳定，那么我们的研究结果表明，干预技术应该采取反直觉的方法，即镜像病理区域周围节点的活动-有效地对抗癫痫发作。最后，使用两个区域的系统作为一个例子，我们表明，也可以调整扩散，以这样一种方式，允许在癫痫发作的振荡活动的抑制。
2019-11-26 q-bio.NC q-bio.QM
SeizureNet: Multi-Spectral Deep Feature Learning for Seizure Type Classification
IBM Research Australia（澳大利亚IBM研究中心）
脑电图（EEG）数据中癫痫发作类型的自动分类可以实现更精确的诊断和有效的疾病管理。由于低信噪比、信号伪影、癫痫患者中癫痫发作症状学的高差异以及临床数据的有限可用性等因素，这项任务具有挑战性。为了克服这些挑战，在本文中，我们提出了SeizureNet，这是一个深度学习框架，它使用集成架构学习多光谱特征嵌入，用于跨患者癫痫发作类型分类。我们使用最近发布的TUH EEG癫痫语料库（V1.4.0和V1.5.2）来评估SeizureNet的性能。实验表明，SeizureNet可以达到加权F1得分高达0.94的头皮EEG为基础的多类癫痫发作类型分类的头皮交叉验证和0.59的患者交叉验证。我们还表明，通过SeizureNet学习的高级特征嵌入通过低内存限制应用程序的知识蒸馏大大提高了较小网络的准确性。
2020-09-30 cs.LG q-bio.NC stat.ML
Dynamic network drivers of seizure generation, propagation and termination in human epilepsy
耐药性癫痫的传统特征是病理性皮质组织由癫痫起始“病灶”组成。这些“病灶”被认为是嵌入在癫痫网络中，其功能结构在癫痫发作期间通过同步和异步神经生理过程动态重组。理解这些动力学的关键是识别将病灶与周围组织联系起来的同步连接，并研究这些连接如何促进癫痫发作的产生和终止。我们使用接受术前评估的新皮质癫痫患者的颅内记录来分析癫痫发作前和发作期间的功能连接。我们开发并应用了一种新的技术来跟踪网络重构的时间和解析这些重构动态到不同的癫痫发作状态，每个特征的独特模式的网络连接，不同的强度和地形。我们的方法表明，癫痫发作时产生的同步关系，孤立的癫痫“病灶”从周围的癫痫网络被打破。随着癫痫发作的进展，病灶重新出现为孤立的子网络，标志着网络状态的转变，可能有助于癫痫发作终止。总的来说，我们的观察有重要的理论意义，了解空间参与的分布式皮层结构的动态癫痫发作的产生，传播和终止，并在确定哪些电路与植入式设备调制有实际意义。
2014-07-18 q-bio.NC
Computational Models For Epilepsy
癫痫是一种以反复发作和自发性发作为特征的神经系统疾病。它影响到全世界约5000万人。在大多数情况下，可以在不使用任何先进技术的情况下对疾病进行准确诊断，并通过定期使用抗癫痫药物的标准治疗来控制癫痫发作。然而，大约30%的患者患有医学难治性癫痫，其中癫痫发作不能通过使用抗癫痫药物来控制。了解这些形式的耐药性癫痫发作的机制和替代有效的治疗策略的发展是现代癫痫研究的一个基本挑战。在这种情况下，需要采取综合办法，将各种治疗策略结合起来。近年来，计算建模作为解决癫痫现象复杂性的重要工具已经变得突出。在这篇综述文章中，我们提出了一个调查不同的计算模型癫痫和讨论如何计算机模型可以帮助我们理解癫痫的大脑机制和新的癫痫治疗方案的发展。
2012-01-14 q-bio.NC q-bio.QM
Epilepsy and its driving forces: understanding the forces behind epileptical pathogenisis
该综述梳理癫痫定义的历史与挑战、多方面成因，按机制和诱因分类癫痫发生的机制与病因，概述癫痫样发作诊疗的最新进展，为个性化治疗、科研推进及公共卫生规划提供支撑。
2025-02-22 q-bio.NC
Passivity-Based Control of Electrographic Seizures in a Neural Mass Model of Epilepsy
University of California, Riverside（加州大学河滨分校）
本文基于被动控制理论，分析了癫痫发作动力学的被动性，并提出通过输出重设计实现癫痫稳定化的策略，为闭环神经调节提供了理论基础。
2026-03-27 cs.SY eess.SY q-bio.NC
Entropy analyses of spatiotemporal synchronizations in brain signals from patients with focal epilepsies
研究了20例不同脑源性、不同发作类型、不同年龄和性别的癫痫患者的脑内脑电图（EEG）数据（近7亿个数据）。多通道单变量振幅分析表明，时间依赖性香农熵可以用来预测局灶性癫痫发作发作在不同的致痫性脑区的不同患者。利用熵的空间或时间差异，进一步研究了癫痫发作间期和发作间期患者致痫区和非致痫区脑信号同步化的形成和时间演变。
2010-02-18 physics.bio-ph physics.data-an q-bio.NC
Functional modularity of background activities in normal and epileptic brain networks
我们分析了加权脑网络的连接结构提取自发脑磁图（MEG）信号的健康受试者和癫痫患者（患有失神发作）在休息时记录。我们发现，对于5-14 Hz范围内的活动，健康的大脑表现出稀疏的连通性，而患者的大脑网络则表现出丰富的连通性和清晰的模块结构。我们的研究结果表明，模块化在休息时正常和病理神经活动的脑区的功能组织中起着关键作用。
2010-02-03 physics.bio-ph physics.data-an q-bio.NC
Classification of Epileptic EEG Signals by Wavelet based CFC
脑电图是一种分析人类活动和识别癫痫发作的重要设备，它是实现高精度计算机辅助诊断系统（CAD）的第一步，因此在设计能够区分癫痫发作和正常大脑警觉性的精确系统中可以发挥至关重要的作用。提出了一种基于小波变换的交叉频率耦合（CFC）分类方法。采用基于小波的CFC提取特征后，通过t检验选择最优特征，并利用二次判别分析（QDA）完成分类。
2018-05-04 eess.SP q-bio.NC stat.ML
Modified Computation of Correlation Integral for Analyzing Epileptic Signals
癫痫是一种以反复发作为特征的慢性神经系统疾病。一种分析癫痫发作活动的方法是计算时间序列脑电信号的关联维数。Grasserberg和Proccacia算法通常用于计算该关联维数。该算法使用Heaviside函数来通过对大于阈值的向量（d_ij）之间的距离的数量进行计数来确定相关积分。然而，关于信号的混沌性质的信息并不完全被该函数保留。在这项工作中，而不是使用Heaviside函数，我们计算的相关积分使用指数函数的d_ij。使用三个数据集验证了使用该改进算法对发作间期和发作信号的更高灵敏度。比较使用原始方法和修改后的方法获得的d_ij的热图，显示了新算法保留的额外信息。
2019-12-12 eess.SP q-bio.NC
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。
2025-01-03 q-bio.NC
Fighting seizures with seizures: diffusion and stability in neural systems
癫痫活动是一种普遍存在的有害病理生理学，原则上，应该屈服于（神经元）系综动力学的数学处理-因此对随机混沌的干预。癫痫发作可以被表征为神经活动偏离稳定的动态状态，即信号仅在有限范围内波动的状态。神经活动的计算机处理是理解大脑如何实现稳定性以及病理学如何导致癫痫发作和减轻不稳定性的潜在策略（例如，通过外部刺激）的重要工具。在这里，我们证明了（神经元）的状态方程中使用的动态因果建模概括为福克-普朗克形式主义时，神经元活动的传播沿结构连接被认为是。使用这个广义状态方程的雅可比矩阵，我们证明了一个初始不稳定的系统可以通过降低扩散率（即，分散神经元波动的连通性）。我们表明，神经系统容易癫痫发作，这种减少可以通过外部刺激来实现。具体来说，我们表明，这种刺激应该以这样一种方式应用，即暂时反映受影响大脑区域相邻区域的癫痫活动-从而“用癫痫发作来对抗癫痫发作”。我们使用基于从特发性全身性癫痫患者收集的功能性神经成像数据的模拟来提供原理证明，其中我们成功地抑制了不同子网络中的病理活动。我们希望这项技术可以成为实时监测和干预设备的基础，这些设备能够以非侵入性的方式抑制甚至预防癫痫发作。
2020-05-02 q-bio.NC q-bio.QM
Labeler-hot Detection of EEG Epileptic Transients
Elmiko Biosignals（埃尔米科生物信号公司）；Institute of Psychiatry and Neurology（精神病学与神经病学研究所）；Systems Research Institute of the Polish Academy of Sciences（波兰科学院系统研究所）；Gdansk University of Technology（格但斯克工业大学）
预防癫痫的早期进展以及癫痫发作的严重程度需要有效的诊断。癫痫瞬变表明癫痫发作的能力，但人类忽略了脑电图（EEG）中的这种短暂事件，这会影响患者的治疗。传统上，EEG事件检测算法的训练依赖于从大多数标记者的共识获得的地面实况标记。在这项工作中，我们超越了标签的共识脑电图数据。我们的事件描述符集成了EEG信号特征与独热编码标签类别，这是提高泛化性能的关键。值得注意的是，提升的决策树利用了单标记但更多样化的训练集。我们的定量实验表明，所提出的标签热癫痫事件检测器始终优于共识训练的检测器，并保持检测的置信区间。我们的婴儿EEG记录的结果表明，数据集可以更快地获得更高的事件多样性，从而通过将可用的人类努力从共识导向转变为单独的标签，当标签包括事件和标签类别时，可以获得更好的性能。
2019-07-09 cs.LG cs.NE q-bio.NC
Anti-seizure medication tapering correlates with daytime delta band power reduction in the cortex
本研究通过分析32名受试者超3000小时颅内脑电图，发现抗癫痫药物减量与白昼皮层delta频段功率降低呈剂量依赖性正相关，表明监测皮层ASM水平可用于药物提醒或闭环给药系统。
2024-12-23 q-bio.NC
Real-time Sub-milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor
State Key Laboratory of Digital Medical Engineering（数字医学工程国家重点实验室）；Key Laboratory of Biomedical Engineering of Hainan Province（海南省生物医学工程重点实验室）；School of Biomedical Engineering Hainan University（海南大学生物医学工程学院）；SynSense Co.Ltd.（SynSense有限公司）；SynSense AG（SynSense股份公司）
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。
2024-10-22 cs.AI cs.LG cs.NE
Seizure detection from Electroencephalogram signals via Wavelets and Graph Theory metrics
Charles Sturt University（查尔斯特大学）
本文提出一种基于最大重叠离散小波变换降噪并结合图论连接度量的脑电图癫痫检测方法，利用短时段统计参数和图论指标构建属性空间，在公开数据上取得了优于现有方法的召回率/灵敏度表现。
2023-11-28 cs.LG q-bio.NC q-bio.QM
Designing Patient-Specific Optimal Neurostimulation Patterns for Seizure Suppression
神经刺激是一种很有前途的治疗癫痫发作。然而，通过实验来识别最佳刺激模式是极其困难的。在这项研究中，人类记录被用来开发一个功能性的24神经元网络海马连接和动力学的统计模型。在这个重建的神经元网络中，计算机模拟诱导了自发的神经元样活动。然后将该网络用作测试平台，以设计和验证各种神经刺激模式。常用的周期性训练不能永久性地减少任何频率的癫痫发作。然后使用模拟退火全局优化算法来识别最佳刺激模式，该模式成功地减轻了92%的癫痫发作。最后，在一个完全反应的，或“闭环”的神经刺激范例，最佳刺激成功地防止网络进入癫痫发作状态。我们提出，这里提出的用于算法识别患者特定神经刺激模式的框架可以大大提高神经刺激设备用于癫痫发作的功效。
2018-01-16 q-bio.NC
Seizure Classification of EEG based on Wavelet Signal Denoising Using a Novel Channel Selection Algorithm
癫痫是一种神经系统紊乱，可影响任何年龄组的人。全世界大约有5000万人被诊断患有这种疾病，它是最常见的神经系统疾病之一。脑电图是一个不可或缺的工具，用于诊断癫痫发作在一个理想的情况下，从一个癫痫患者的脑电波将呈现明显的异常。然而，在现实世界的情况下，经常会有生物和电噪声干扰，以及多通道信号的问题，这给癫痫发作检测带来了很大的挑战。在这项研究中，使用了天普大学医院（TUH）EEG癫痫语料库数据集。本文提出了一种新的信道选择方法，隔离不同的频率范围内的五个通道。这是基于正常大脑波形表现出的频率。选择1秒窗口，重叠0.5秒。小波信号去噪采用Daubechies 4小波分解，阈值采用最小最大软阈值准则。滤波器组被用来定位五个特定频道的频率范围。然后从输出中得出统计特征。在使用500个学习者进行袋装树分类后，达到了0.82的测试准确率。
2021-09-02 q-bio.NC q-bio.PE
One-shot Learning for iEEG Seizure Detection Using End-to-end Binary Operations: Local Binary Patterns with Hyperdimensional Computing
ETH Zurich（苏黎世联邦理工学院）；Inselspital Bern（伯尔尼 Inselspital 医院）
本文提出了一种有效的二值化算法的学习和分类人类癫痫发作从颅内脑电图（iEEG）。该算法将局部二进制模式与大脑启发的多维计算相结合，以实现端到端的学习和二进制运算推理。该算法首先将每个电极的iEEG时间序列转换为局部二进制模式码。然后，原子高维二进制向量用于构建跨越所有电极的癫痫发作的复合表示。对于我们的大多数患者（16例中的10例），该算法可以快速地从一次或两次癫痫发作中学习（即，一次/Few-Shot学习），并在27次进一步癫痫发作中完美概括。对于其他患者，该算法需要三到六次癫痫发作才能学习。总的来说，我们的算法超过了最先进的方法，用于检测65种新型癫痫发作，具有更高的特异性和灵敏度，以及更低的记忆足迹。
2018-09-06 cs.LG eess.SP q-bio.NC
