用于癫痫发作风险预测的脑网络低维表征

识别发作前期——即癫痫发作可能性更高的时期——仍然是临床计算神经科学的核心挑战。在本研究中，我们引入了一个新颖的框架，将从颅内脑电图（iEEG）记录中提取的功能性脑连接网络嵌入到一个低维欧几里得空间中。这种紧凑的表征捕捉了脑动力学的基本拓扑特征，并有助于检测癫痫发作前细微的连接性变化。我们使用标准的机器学习技术，定义了一个无量纲生物标志物 $\mathcal{B}$，用于区分发作间期（无癫痫发作）和发作前期（癫痫发作前24小时内）的网络状态。我们的方法侧重于信息性iEEG电极子集之间的连接模式，从而能够跨时间对脑状态进行稳健分类。我们使用留一法交叉验证方案和伪前瞻性预测策略来验证我们的方法，并通过F1分数和平衡准确率等指标评估性能。结果表明，iEEG连接性的低维欧几里得嵌入产生了可解释且具有预测性的发作前期活动标志物，为实时癫痫发作预测和个体化治疗干预提供了有前景的启示。