通过EEG实时无创成像与检测扩散性去极化：一种超轻量可解释深度学习方法
信号处理
2026-05-19 v4
摘要
神经重症监护的一个核心目标是预防继发性脑损伤。扩散性去极化（SDs）已被确定为继发性脑损伤的一个重要独立原因。SDs通常使用高采样频率记录的侵入性皮质电图来检测。最近的试点研究表明，头皮电极生成的脑电图（EEG）可能用于无创SD检测。然而，EEG信号的噪声和衰减使得该检测任务极具挑战性。以往的方法侧重于在固定的高密度头皮电极图上检测EEG的时间功率变化，这在临床上并不总是可行的。本研究将专门设计的谱图作为自动SD检测模型的输入，首次将SD识别问题从一维时间序列波上的检测任务转化为连续二维渲染图像上的任务。本研究提出了一种新颖的超轻量多模态深度学习网络，融合EEG谱图成像与时间功率向量，以提升各单电极上的SD识别精度，允许灵活的EEG电极排布，并为超低密度、电极位置可变的EEG上的SD检测铺平了道路。我们提出的模型具有超快处理速度（<0.3秒）。与传统方法（2小时）相比，这是朝向早期SD检测和促进即时脑损伤预后的一大进步。以新维度——谱图上的频率——观察SDs，我们证明了这一额外维度可提升SD检测精度，为支持“SDs可能在频率轮廓上展现隐式特征”这一假设提供了初步证据。
引用
@article{arxiv.2309.03147,
title = {Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach},
author = {Yinzhe Wu and Sharon Jewell and Xiaodan Xing and Yang Nan and Anthony J. Strong and Guang Yang and Martyn G. Boutelle},
journal= {arXiv preprint arXiv:2309.03147},
year = {2026}
}