【读文献】A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Predict

A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Prediction

中山大学医学院
学院报道：https://zssom.sysu.edu.cn/zh-hans/article/9940
癫痫发作涉及到大脑皮层的不同区域，导致不同电极之间的相互影响。这种影响随发作过程动态变化。准确的癫痫发作早期预测可以为患者及时治疗提供支撑。该领域以往研究主要集中在单一时间或空间维度上，难以兼顾两者关系，无法较好挖掘脑电图的有效特性。
近日，我院周毅教授团队在IEEE Journal of Biomedical and Health Informatics上发表题为“A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Prediction”的封面文章。研究团队考虑到脑电隐含的功能连接信息，结合脑电时序关联程度及多通道空间拓扑结构信息，提出基于同步时空图注意力网络（STGAT）模型。该模型利用锁相值作为衡量脑电同步性指标，分析癫痫发作过程中大脑各区域相互作用，提取脑电图通道间隐含的空间及功能连接信息，将多通道脑电信号建模为图信号，可以获取真实、可识别的脑电图信号的同步性关系。模型结合图注意力网络（GAT）与门循环单元（GRU），挖掘多通道电极之间的空间关系，学习脑电的复杂拓扑结构与动态变化，提高了对时间、空间信息的利用能力，能够在两个基准数据集上获得较好的时空相关性。研究在公开的CHB-MIT数据集的准确率、特异性和敏感性分别为98.74%、99.21%和98.87%，在私有数据集各项指标均达到98.8%以上，尤其