5、基于脑电图的癫痫发作状态识别机器学习算法评估

基于脑电图的癫痫发作状态识别机器学习算法评估

1 引言

癫痫发作是由大脑异常活动引起的，患者会出现异常行为、感觉，有时还会失去意识。识别癫痫发作状态有助于预测癫痫发作并进行更好的治疗。脑电图（EEG）是记录大脑电活动的常用技术，可通过识别EEG数据信号的发作前期状态来预测癫痫发作。

癫痫发作状态识别问题聚焦于根据癫痫患者的脑电图数据识别发作状态。EEG数据可通过侵入性方法（颅内脑电图，iEEG）或非侵入性方法（头皮脑电图，sEEG）收集。EEG中有四种发作状态：发作间期、发作前期、发作期和发作后期。对这些状态的识别引出了癫痫发作检测和癫痫发作预测这两个应用。

1.1 癫痫发作检测与预测的区别

• 癫痫发作检测 ：是检测所有状态中的“发作期”状态的问题，从业者用它来识别记录的EEG信号中是否存在癫痫发作。这项任务通常由专家手动完成，容易出现人为错误。
• 癫痫发作预测 ：可简化为检测所有状态中的“发作前期”状态。临床证明，癫痫发作前有早期迹象，在EEG信号中可表现为发作前期状态。如果能在足够长的时间前有效识别发作前期状态，可为癫痫患者或其护理人员发出警报。

1.2 研究需求

尽管在癫痫发作状态检测和预测领域已开展了大量工作，但目前仍无临床应用。这是因为在高度不平衡和嘈杂的数据中需要高灵敏度和极低的假阳性率。此外，在高计算能力和基于云的资源可用的时代，研究更倾向于基于深度学习的机器学习方法。本研究致力于评估经典机器学习方法的性能，并通过实验验证以下假设：传统机器学习算法在以下条件下效果最佳：一是数据