基于紧凑支持可分离核时频分布与注意力CNN的新生儿EEG癫痫检测方法研究

新生儿癫痫的快速诊断对预后至关重要，但传统EEG视觉分析存在疲劳误判等问题。本研究提出结合高分辨率SCBD时频分布与注意力机制ResNet-18的深度学习方法，通过空间时频分析实现癫痫通道定位，在赫尔辛基数据集上达到96.8% AUC，较现有方法提升2%，为NICU提供自动化辅助诊断新策略。

　　

新生儿癫痫是威胁婴幼儿健康的危急病症，约60%发生在出生后第一周。这类癫痫发作往往症状隐匿，但延迟治疗可能导致永久性神经损伤。目前临床依赖脑电图(EEG)监测，但传统视觉分析法面临三大挑战：新生儿EEG非平稳特性显著，时变频率特征难以捕捉；多通道EEG中癫痫活动空间定位困难；人工解读易受运动伪影干扰且效率低下。尽管深度学习已应用于癫痫检测，现有方法多忽略时频域特征，或无法识别具体异常通道，导致二次医生复核时间延长。

针对这些瓶颈，研究人员开发了一种融合时频分析与注意力机制的新型深度学习框架。研究采用赫尔辛基大学医院公开的79例新生儿19通道EEG数据集，采样频率256Hz。关键技术包含四个创新点：首先设计基于平均绝对二阶差分(MASD)和最大绝对振幅(MAA)的预处理流程，有效滤除平线伪影和跳变干扰；其次引入紧凑支持可分离核时频分布(SCBD TFD)，通过独立时频域滤波获得高分辨率能量分布图；随后将时频图转为RGB图像，采用预训练ResNet-18提取特征；最终构建注意力多实例学习(MIL)模型，实现癫痫片段分类与异常通道定位的双重目标。

EEG数据集
采用双极导联10-20系统记录的19通道EEG，三位专家独立标注确保标签可靠性。数据划分采用患者-类别平衡策略，避免模型偏向多数类。

Results and discussions
在每实例学习(PIL)测试中，SCBD TFD展现出优于传统时频方法的鉴别能力，验证了高分辨率时频表征的重要性。注意力MIL模型在片段级和通道级分别达到94.1%和85.4%的AUC，较同类方法提升约2%。引入MAA后性能进一步提升至94.7%和88.7%，证实预处理对运动伪影的抑制效果。值得注意的是，模型对通道布局具有普适性，无需针对不同NICU设备重新训练。

Conclusion
该研究首次将高分辨率SCBD TFD与注意力CNN结合应用于新生儿癫痫检测。相比传统方法，其优势体现在三方面：时频分析有效捕捉癫痫相关的γ波段(30-45Hz)瞬态振荡；注意力权重可视化辅助医生快速定位异常通道；模块化设计兼容不同医疗中心的EEG采集系统。临床转化后预计可缩短50%以上的诊断延迟，对改善HIE患儿预后具有重要价值。论文发表于《Biomedical Signal Processing and Control》，为智能新生儿监护提供了新范式。