人工智能实时识别、定位癫痫发作

圣路易斯华盛顿大学麦凯维工程学院的研究人员将人工智能与系统理论相结合，开发出一种更有效的实时检测和准确识别癫痫发作的方法。

他们的研究结果发表在5月26日的《科学报告》杂志上。

这项研究由美国普雷斯顿M.格林大学电气与电力学系李俊欣教授的实验室进行。李的实验室的博士后研究员沃尔特·波米拉(Walter Bomela)领导了这项研究。

研究小组的另一名成员是曾就读于li’的学生、现为得克萨斯大学阿灵顿分校(University of Texas at Arlington)助理教授的王朔和东北大学(Northeastern University)的周春安。

“我们的技术允许我们获得原始数据，处理它，并提取一个特征，这是更有用的机器学习模型使用，”Bomela说。“我们的方法的主要优势是将23个电极的信号融合到一个参数中，可以用更少的计算资源有效地处理。”

在脑科学中，目前对大多数癫痫发作的理解是，当正常的大脑活动被一簇神经元强烈、突然、高度同步的放电打断时，就会发生癫痫发作。在癫痫发作期间，如果一个人被连接上脑电图仪(一种被称为EEG的设备，用来测量电输出)，异常的大脑活动就会以放大的尖峰波放电的形式呈现出来。

“但是当使用颞叶脑电图信号时，癫痫的检测精度不是很好，”Bomela说。该小组开发了一种网络推理技术，以促进发现和查明其位置，提高准确性。

在脑电图过程中，一个人将电极连接在他/她头部的不同位置，每个电极记录该位置周围的电活动。

“我们把脑电图电极当作网络的节点。利用来自每个节点的记录(时间序列数据)，我们开发了一种数据驱动的方法来推断网络中时变的连接或节点之间的关系，”Bomela说。网络技术考虑的不是单一的脑电图数据——单个信号的峰值和强度——而是关系。“我们想要推断大脑区域是如何与他人互动的，”他说。

正是这些关系的总和形成了网络。

一旦你有了一个网络，你就可以整体地测量它的参数。例如，可以对整个网络的强度进行评估，而不是测量单个信号的强度。有一个参数，叫做Fiedler特征值，它有特殊的用途。“当癫痫发作时，你会看到这个参数开始增加，”Bomela说。

而在网络理论中，Fiedler特征值也与网络的同步性有关，该值越大表示网络的同步性越强。“这与癫痫发作时大脑活动是同步的这一理论相一致，”波米拉说。

对同步的偏爱也有助于消除伪影和背景噪音。例如，如果一个人划伤了自己的手臂，相关的大脑活动将被脑电图电极或通道捕获。但是，它不会与捕获活动同步。这样，这种网络结构本质上降低了不相关信号的重要性;只有同步的大脑活动才会显著增加费德勒特征值。

目前这项技术只适用于个别病人。下一步是整合机器学习来推广识别不同类型癫痫的技术。

其思想是利用各种参数来表征网络，并利用它们作为特征来训练机器学习算法。

波米拉将这种工作方式比作面部识别软件，后者通过测量不同的特征——眼睛、嘴唇等等——从这些例子中归纳出任何一张脸来识别。

“网络就像一张脸，”他说。“你可以从一个人的网络中提取不同的参数——比如聚类系数或亲密性中心性——来帮助机器学习区分不同的癫痫发作。”

这是因为在网络理论中，特定参数的相似性与特定网络有关。在这种情况下，这些网络将对应不同类型的癫痫发作。

有一天，癫痫患者可以佩戴类似于胰岛素泵的设备。当神经元开始同步时，该设备会发送药物或电干扰来阻止癫痫发作。

在此之前，研究人员需要更好地了解神经网络。

” Li说:“虽然最终的目标是完善这项技术以用于临床，但目前我们专注于开发方法，将癫痫诊断为大脑活动的剧烈变化。”用我们目前的方法把大脑当作一个网络来处理，就能捕捉到这些变化