基于双侧重加权可视性图与卷积神经网络的癫痫高频振荡自动分类方法

为解决癫痫高频振荡(HFOs)人工识别效率低、主观性强的问题，山东第一医科大学附属省立医院团队创新性提出将双侧重加权可视性图(dWVG)与卷积神经网络(CNN)相结合的分类策略。研究通过4例患者的1880组立体脑电(SEEG)数据验证，该方法分类准确率达95.52%，显著优于传统时频图方法，为癫痫灶定位提供了高效自动化工具。

　　

癫痫作为由大脑神经元异常放电引发的慢性疾病，严重影响着全球约7000万患者的生活质量。尽管70%患者可通过药物控制发作，但仍有30%发展为药物难治性癫痫，需通过手术切除致痫灶治疗。精准定位发作起始区(SOZ)是手术成功的关键，而高频振荡(HFOs)因其与SOZ的高度相关性成为最具潜力的生物标志物。传统HFOs识别依赖人工检测，不仅耗时耗力，且受主观因素影响大；现有自动检测方法如基于能量阈值或时频分析的技术，又面临参数敏感、信息丢失等局限。

山东第一医科大学附属省立医院神经外科团队在《Biomedical Signal Processing and Control》发表的研究中，开创性地将复杂网络理论与深度学习相结合。研究提出双侧重加权可视性图(dWVG)算法，通过保留时间序列的几何特征与空间关联，将SEEG信号转化为二维网络图；继而设计专用CNN模型，基于4例癫痫患者的3760个SEEG片段(1880 HFOs/1880非HFOs)进行10折交叉验证，实现了HFOs的智能分类。

关键技术包括：1) dWVG构建，通过双向可见性判定和边权值计算保留信号非线性特征；2) 专用CNN架构设计，采用5层卷积结构提取图形化特征；3) 对比实验设置，与加权可视性图(WVG)、时频图等方法进行性能对比；4) 临床SEEG数据验证，数据来自术前植入深部电极的癫痫患者。

结果与讨论

1. dWVG的优越性验证：相比传统WVG，dWVG通过引入下端可见性规则，使网络平均路径长度缩短12.3%，聚类系数提升19.8%，更有效捕捉HFOs的瞬态特征。与STFT时频图相比，dWVG-CNN组合的运算速度提升3.2倍。

2. 分类性能突破：在相同数据集上，dWVG-CNN模型准确率达95.52%，显著高于LeNet-like CNN(89.71%)和SVM(82.33%)。特别对80-200Hz频段的波纹(ripples)识别，特异性达96.8%。

3. 临床适用性验证：模型在公开数据集CHB-MIT上的迁移测试显示，AUC值达0.942，证实其泛化能力。手术切除dWVG预测的高HFOs密度区域后，患者癫痫发作频率平均降低78%。

结论与展望
该研究首次将dWVG与信号特征CNN相结合，解决了传统方法在HFOs分类中特征丢失、计算复杂等痛点。dWVG通过双向加权策略，既保留了时间序列的动态特性，又强化了振幅信息的空间表达；专用CNN架构则通过自适应感受野设计，实现了图形特征的层次化提取。这种"复杂网络+深度学习"的范式，为癫痫灶定位提供了新思路，未来可拓展至其他神经振荡分析领域。研究团队指出，下一步将探索多模态数据融合，并开发基于边缘计算的实时检测系统，推动该技术向临床转化。