基于微电极阵列体内记录的时序信号分割用于癫痫形态识别

癫痫是一种影响约全球人口1%的常见神经系统疾病。约30-40%的患者对药物治疗无效，这对其生活质量产生显著的负面影响。闭环深度脑刺激（DBS）是一种针对医学治疗无效患者的有前景的治疗方案。为实现有效的癫痫控制，算法在从局部场电位（LFPs）中识别相关电生理标记物以确定最佳刺激时机方面发挥着重要作用。在此背景下，从持续脑活动中检测和分类事件，同时实现低功耗的计算效率实现，代表了该领域的一个重大挑战。为此，我们在此提出了两种轻量级算法，即ZdensityRODE和AMPDE，用于通过语义分割从LFPs中识别相关事件，即从LFPs中提取不同层次的信息和相关事件。该算法的性能以小鼠海马-皮层（CTX）切片中由4-苯丙胺诱导的癫痫活动，通过微电极阵列记录的案例研究进行了验证。ZdensityRODE算法在ictal事件检测中实现了93%的精确率和召回率，同时在interictal事件检测中实现了42%的精确率；AMPDE算法在ictal事件检测中实现了96%的精确率和90%的召回率，在interictal事件检测中实现了54%的精确率。虽然这些算法最初是为检测ictal活动而训练的，但可以通过微调以提高interictal检测效率，旨在实现癫痫预测。我们的结果表明，这些算法能够有效捕获癫痫形成活动；其轻量级特性为实现实时癫痫检测和癫痫预测与控制开辟了新的可能性。