使用脑电图与概率神经网络的癫痫自动诊断新方法

癫痫是最常见的神经系统疾病之一，严重损害患者的日常生活。传统的癫痫诊断依赖于神经科医生对冗长的脑电图（EEG）记录进行繁琐的视觉筛查，且需要存在癫痫发作（发作期）活动。如今，有许多系统通过自动癫痫发作检测帮助神经科医生快速找到长信号中有趣的片段。然而，我们注意到，在缺乏医疗资源和训练有素的神经科医生的地区，获取癫痫患者带有发作活动的长期脑电图数据即使不是不可能，也非常困难。因此，我们提出研究使用发作间期脑电图数据进行癫痫自动诊断，该数据比发作期数据更容易收集。据作者所知，目前尚无关于能够准确区分患者发作间期脑电图与正常人脑电图的自动脑电图诊断系统的报告。因此，本文提出的研究旨在开发一种自动诊断系统，该系统能够使用发作间期脑电图数据诊断此人是否患有癫痫。该系统还应检测癫痫发作活动，供医生进一步调查和潜在的患者监测使用。为了开发这样一个系统，我们从脑电图数据中提取了四类特征，并构建了一个以这些特征为输入的概率神经网络（PNN）。在一个广泛使用的癫痫-正常人数据集上进行留一交叉验证（LOO-CV），结果显示我们的系统在区分正常人脑电图与患者发作间期脑电图方面达到了令人瞩目的 99.5% 的准确率。我们还发现，该系统可用于患者监测（癫痫发作检测）和癫痫病灶定位，在该数据集上的准确率分别为 96.7% 和 77.5%。