基于缩减电极阵列 EEG 与 ECG 的患者无关型新生儿癫痫预测模型
信号处理
2025-11-19 v1 机器学习
摘要
新生儿高度易发生癫痫，常导致短期或长期神经功能障碍。然而，新生儿癫痫的临床表现微弱，易被误诊。这增加了持续未治疗癫痫活动及随之脑损伤的风险。连续视频脑电图（cEEG）是癫痫检测的金标准，但成本高昂，需专业人员与时间投入。本研究提出一种基于卷积神经网络的模型，用于预测新生儿癫痫，通过区分 EEG 的间期状态与前期状态。模型为患者无关型，能够在跨主体间实现泛化，采用从多通道 EEG 与心电图（ECG）信号提取的梅尔频率倒数谱系数矩阵作为输入特征。模型在 Helsinki 新生儿 EEG 数据集上采用 10 折交叉验证训练与验证，实现平均准确率为 97.52%，灵敏度为 98.31%，特异度为 96.39%，F1 分数为 97.95%，可在发作前 30 分钟实现准确预测。ECG 的纳入使 F1 分数提升 1.42%，注意力机制的引入再提升约 0.5%。为提升透明度，我们引入 SHapley Additive exPlanations（SHAP）作为可解释人工智能方法以解释模型并定位癫痫发生部位。总体结果表明，该模型具备在新生儿重症监护病房中实现最小监督部署、及时可靠预测新生儿癫痫的潜力，并通过迁移学习展现出对未见主体的强泛化能力。
引用
@article{arxiv.2511.14110,
title = {A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG},
author = {Sithmini Ranasingha and Agasthi Haputhanthri and Hansa Marasinghe and Nima Wickramasinghe and Kithmin Wickremasinghe and Jithangi Wanigasinghe and Chamira U. S. Edussooriya and Joshua P. Kulasingham},
journal= {arXiv preprint arXiv:2511.14110},
year = {2025}
}
备注
10 pages, 4 figures