Seizure-NGCLNet：基于节点-图双对比学习的 SEEG 空间病理模式表征学习用于癫痫发作检测
信号处理
2025-12-03 v1 机器学习
神经元与认知
摘要
复杂的空间连接模式，如间歇抑制和癫痫发作扩散，使使用棘内外电生理图谱 (SEEG) 和传统机器学习方法进行药物难治性癫痫 (DRE) 发作检测变得困难。仍存在两个关键挑战：(1)功能连接估计的信噪比较低，使学习癫痫相关相互作用变得困难；(2)用于空间病理连接模式的专家标签难以获得，同时缺乏这些模式的表征以提高发作检测效果。为此，我们提出一种新颖的节点-图双对比学习框架 Seizure-NGCLNet，用于学习 SEEG 的间歇抑制和癫痫发作扩散模式，以实现对 DRE 发作的高精度检测。首先，发展一种受中心性指标指导的自适应图增强策略，用于生成癫痫相关脑网络。其次，集成双对比学习方法，将全局图级对比与局部节点-图对比相结合，以编码空间结构和语义癫痫发生特征。最后，通过基于 Top-K 局部图注意力网络对预训练嵌入进行微调，以执行最终分类。大规模公共 SEEG 数据集（来自 33 名 DRE 患者）的广泛实验表明，Seizure-NGCLNet 实现了最先进的性能，平均准确率为 95.93%，灵敏度为 96.25%，特异度为 94.12%。可视化结果确认，所学嵌入清晰分离了癫痫发作和间歇状态，反映出与临床机制相对应的抑制和扩散模式。这些结果突显了 Seizure-NGCLNet 学习可解释空间病理模式的能力，提升了发作检测和发作区定位。
引用
@article{arxiv.2512.02028,
title = {Seizure-NGCLNet: Representation Learning of SEEG Spatial Pathological Patterns for Epileptic Seizure Detection via Node-Graph Dual Contrastive Learning},
author = {Yiping Wang and Peiren Wang and Zhenye Li and Fang Liu and Jinguo Huang},
journal= {arXiv preprint arXiv:2512.02028},
year = {2025}
}