3D-SERESNet癫痫发作预测新框架：融合时空特征与注意力机制的患者特异性及跨患者泛化研究

《iScience》：Robust epileptic seizure prediction: A 3D-SERESNet framework for patient-specific and multi-patient generalization

本研究针对癫痫发作预测中患者间变异大、时空特征利用不足及数据不平衡等挑战，开发了集成3D卷积、残差连接和SE注意力机制的3D-SERESNet模型。通过STFT将多通道EEG信号转换为3D时频表征，采用Focal loss函数解决类别不平衡问题。在CHB-MIT数据集上，患者特异性实验达到90.77%敏感度（FPR 0.090/h），跨患者实验达到84.41%敏感度（FPR 0.232/h），显著提升癫痫预测的泛化能力。

　　

癫痫作为一种常见的神经系统疾病，全球约有6500万患者深受其扰。尽管抗癫痫药物和医疗监护能帮助约三分之二的患者控制病情，但仍有大量患者面临突发癫痫发作的风险。癫痫发作不仅可能导致身体受伤，还会严重影响患者的心理状态和生活质量。因此，开发有效的癫痫发作预测方法，能够在发作前发出预警，使患者有机会采取预防措施，具有重要的临床意义。

脑电图(EEG)作为记录大脑神经元电活动的主要工具，在癫痫监测、诊断和治疗中发挥着关键作用。临床上使用的EEG信号分为头皮EEG和颅内EEG，其中头皮EEG因其无创性和易得性而被广泛应用。癫痫患者的EEG信号可分为发作间期、发作前期、发作期和发作后期，而癫痫发作预测的核心任务就是准确区分发作间期和发作前期。

然而，癫痫发作预测面临着多重挑战。发作前期EEG信号变异性低，不同患者间的EEG模式存在显著差异，以及医学数据中常见的类别不平衡问题，都使得准确预测变得困难。传统方法如支持向量机(SVM)和多层感知机虽然取得了一定成效，但依赖人工特征工程且处理复杂EEG模式的能力有限。随着深度学习技术的发展，特别是卷积神经网络(CNN)和长短期记忆网络(LSTM)的应用，为癫痫预测带来了新的机遇。

目前大多数研究专注于患者特异性方法，即为每个患者单独训练模型。这种方法虽然在一定程度上有助于提高单个患者的预测准确率，但缺乏泛化能力，难以应用于新患者。此外，现有研究多使用2D CNN处理EEG信号的时频表征，忽视了多通道EEG数据中蕴含的空间相关性。事实上，癫痫发作通常涉及多个脑区的协同活动，因此同时捕捉时间、频率和空间特征对于提高预测性能至关重要。

针对这些挑战，Meng等人发表在《iScience》上的研究提出了一种创新的解决方案——3D-SERESNet框架，该框架首次将3D卷积、残差连接和SE(squeeze-and-excitation)注意力机制集成到癫痫预测中，不仅在患者特异性设置下表现出色，还实现了有意义的跨患者泛化能力。

本研究采用了几项关键技术方法：使用CHB-MIT公开数据集，包含13名患者的64次癫痫发作记录；通过短时傅里叶变换(STFT)将多通道EEG信号转换为3D时频表征；构建集成3D卷积、残差连接和SE注意力机制的深度学习网络；采用Focal loss函数解决类别不平衡问题；使用留一交叉验证(LOOCV)进行严格评估。

数据准备与特征提取

研究采用CHB-MIT头皮EEG数据集，包含13名符合选择标准的患者数据。根据临床定义，将发作前30分钟定义为发作前期，发作后4小时以上的数据定义为发作间期。研究选择了18个双极导联进行分析，确保不同患者间数据的一致性。所有EEG信号首先经过60Hz陷波滤波去除工频干扰，然后分割为10秒非重叠窗口，这一时长符合临床常规且能有效捕捉发作前特征变化。

通过短时傅里叶变换(STFT)将每个EEG段转换为时频表征，关键创新在于将多通道时频图堆叠构建3D输入表示，使模型能够同时学习时空频特征。这种3D表征直观展示了发作前期和发作间期在多通道EEG上的差异，为深度学习模型提供了丰富的输入信息。

模型架构设计

3D-SERESNet核心由三个SE-ResNet模块组成，每个模块集成3D卷积残差块和SE注意力机制。残差连接有效缓解了深度网络中的梯度消失问题，而SE机制通过自适应通道重校准，增强与癫痫预测相关的特征通道，抑制无关或噪声信息。这种设计使模型能够分层提取判别性特征，显著提升了对细微癫痫模式变化的识别能力。

解决类别不平衡问题

研究观察到CHB-MIT数据集中发作前期与发作间期样本比例在不同患者间差异显著(0.06-0.83)。与传统方法通过重采样构建平衡数据集不同，本研究算法层面引入Focal loss函数，动态调整交叉熵损失，使模型更关注难以分类的发作前样本，有效缓解了多数类样本对训练过程的主导影响。

模型性能评估

在患者特异性实验中，3D-SERESNet达到87.82%敏感度、0.148/h的误报率(FPR)和0.882的AUC值，显著优于传统3D-CNN和3D-ResNet模型。在平衡数据设置下，性能进一步提升至90.77%敏感度和0.090/h FPR。特别值得注意的是，患者Chb01和Chb20表现出近乎完美的预测性能，而样本量小且不平衡度高的Chb19则预测效果较差，反映了数据质量对模型性能的重要影响。

在更具挑战性的跨患者实验中，模型仍保持81.21%敏感度(不平衡数据)和84.41%敏感度(平衡数据)，虽然FPR有所升高(0.353/h和0.232/h)，但多数结果p值小于0.05，表明预测性能显著优于随机猜测。这一结果表明模型能够从多患者数据中学习到癫痫发作的共性特征，具备实际临床应用潜力。

特征可视化分析

通过t-SNE技术对模型学习到的特征进行可视化，清晰展示了3D-SERESNet如何逐步优化特征分布。原始EEG特征空间中发作前期和发作间期样本存在大量重叠，而经过三个SE-ResNet模块处理后，两类样本实现了完全分离，证明模型成功学习到了高度判别性的癫痫相关模式。

消融实验验证

系统的消融研究进一步证实了各组件贡献：将3D输入替换为2D导致FPR升至0.512/h，证明3D卷积对捕捉跨通道同步放电模式至关重要；移除Focal loss使敏感度降至73.54%，凸显其在解决类别不平衡中的关键作用；去除SE模块导致所有指标下降，验证了注意力机制对特征选择的有效性。

本研究通过创新的3D-SERESNet框架，成功解决了癫痫预测中的多个关键挑战。与现有方法相比，该模型不仅在使用更严格评估协议(LOOCV)下表现出竞争优势，还首次实现了有意义的跨患者泛化能力。模型已部署为在线预测平台()，为临床转化奠定基础。

研究同时指出了当前局限性：模型对癫痫动态特性(如昼夜节律、药物水平变化)的适应性有限；个别难治患者预测性能仍有提升空间；新患者预测需重新训练模型。未来工作将探索结合轻量级个性化微调策略，进一步提升特定个体的预测准确性，同时保持模型泛化能力。

这项研究的核心意义在于，它突破了传统癫痫预测模型的患者特异性局限，朝着开发通用癫痫预测系统迈出了重要一步。通过有效整合多维度EEG特征和先进深度学习技术，3D-SERESNet为未来实时癫痫预警系统的开发提供了坚实的技术基础，有望真正改善癫痫患者的生活质量和安全。