近日，太阳成集团tyc33455ccwww李刚团队，在生物医学信号与人工智能领域权威期刊Biomedical Signal Processing and Control上在线发表高水平研究论文“A DF-SSA analytical framework for revealing variations in multidimensional EEG features of epileptic seizures”，有力推进了生物医学信号与人工智能交叉领域前沿性研究。太阳成集团tyc33455ccwww为第一单位和通讯单位，研究生陈贵斌为第一作者，青年教师周斌为通讯作者，李刚为共同第一作者和共同通讯作者。

      癫痫是一种由大脑神经元异常放电引起的慢性神经系统障碍疾病，导致意识、行为、感觉或运动突然异常。癫痫发作可能会导致患者的精神和认知功能受到长期的负面影响，还经常面临心理和社会歧视，严重影响患者的生活，且其过早死亡率是普通人群的两到三倍。脑电图被评估为检测癫痫发作的黄金工具之一，且癫痫发作会在脑电图上产生明显异常。在当前的癫痫研究中，通过运用机器学习算法提取多维脑电特征，已经在这一领域取得了显著的进展。然而，绝大多数癫痫研究往往仅采用单一类型的特征提取方法，无法全面反映脑功能的复杂变化，因而对癫痫发作特征的全面理解存在一定不足。另一方面，当提取的特征数量较大时，特征向量的维数会增加，导致癫痫发作识别的计算成本较高。

      为解决这一问题，本研究对来自波士顿儿童医院的CHB-MIT公开数据集和最新收集的金华市妇幼保健院JHMCHH数据集进行分析，提取了相对功率、样本熵和互信息这三种不同维度的脑电特征，使用深度森林联合麻雀搜索算法的分析框架(DF-SSA)进行特征选择并提取出最优特征子集，有效提升了检测准确率，准确率分别达到98.4%和99.1%，在两个数据集上均验证了该分析框架的有效性。同时，利用特征选择方法揭示癫痫发作在多维脑电特征产生的电生理学动态变化，分析发现：癫痫发作在beta和gamma频段产生显著变化（图2）；样本熵比相对功率更容易区分癫痫发作的三种状态（发作间期、前期和发作期），在三种阶段表现出显著的规律性和一致性（图2，3）；癫痫发作会引发所有脑区功能连接的重组（图4）。总的来说，通过采用这一创新的分析框架，确定了三种关键的癫痫发作状态，揭示了脑电特征显著的规律性变化，为癫痫动态脑电图数据的自动化分析提供有益指导。

图1.网络结构图。

图2. 不同特征类型（A）和频段（B）在 CHB-MIT 数据集上的分类效果。在（A）图中，可观察到三种状态在样本熵特征的分类准确率是最高的，在（B）图中，可观察到Beta和Gamma频段高于Theta和Alpha频段的准确率，且均具有显著性差异。

图3. (A)theta, (B)alpha, (C)beta,和(D)gamma频段中的每个通道三种状态之间样本熵值的关系。可观察到在所有频带和通道中，随着癫痫发作，样本熵值越来越大，具有显著的一致性规律。

图4. 三种状态的邻接矩阵图以及(A)theta、(B)alpha、(C)beta和(D)gamma频段中每个信号通道的互信息值。在每个子图中，用三种颜色分别代表一种发作状态，用 1、2、3 按递增顺序代表三种状态之间的关系。在该图中，未发现明显规律，说明在癫痫发作时，将会导致所有脑功能连接重组。