SBTM: Vorhersage epileptischer Anfälle aus EEG-Signalen mittels Deep Learning in blockchain-fähiger, intelligenter Gesundheitsüberwachung mit IoT-Vernetzung

Warum es wichtig ist, Anfälle vorherzusagen

Für Millionen von Menschen mit Epilepsie können Anfälle ohne Vorwarnung auftreten – beim Treppensteigen, beim Überqueren einer Straße oder beim Autofahren. Ein unerwarteter Anfall kann Stürze, Verletzungen oder Schlimmeres verursachen, und die ständige Ungewissheit kann ebenso einschränkend sein wie die Anfälle selbst. Diese Studie untersucht einen Weg, Anfälle aus Gehirnwellenaufzeichnungen vorherzusagen, mithilfe tragbarer Elektronik, fortschrittlicher künstlicher Intelligenz und sicherer Online-Akten, sodass Patientinnen und Patienten sowie Ärztinnen und Ärzte wenige entscheidende Minuten Vorwarnung erhalten und das tägliche Leben besser schützen können.

Ein digitaler Sicherheitsnetz rund um die Patientin / den Patienten

Im Zentrum der Arbeit steht die Vision einer intelligenten Gesundheitsversorgung, die Patientinnen und Patienten überall erreicht. Kleine internetfähige Sensoren messen die elektrische Aktivität des Gehirns, sogenannte EEG-Signale, und senden diese Daten über drahtlose Netze an Krankenhausserver. Dort durchsucht Software kontinuierlich die eingehenden Signale, um zu entscheiden, ob sich das Gehirn in einem normalen Zustand befindet oder sich einem Anfall nähert. Da es sich um hochsensible medizinische Informationen handelt, nutzt das System Blockchain-Technologie – ein aus der digitalen Finanzwelt entlehnter Ansatz –, um Aufzeichnungen so zu protokollieren und zu teilen, dass sie schwer zu manipulieren und leicht prüfbar sind. Nur authentifizierte Ärztinnen und Ärzte mit den richtigen digitalen Schlüsseln können die Patientendaten entschlüsseln, die über Abteilungen und Standorte hinweg organisiert sind.

Gehirnwellen in Frühwarnungen verwandeln

EEG-Spuren sind unordentlich: Sie sind voll von Störsignalen durch Muskelbewegungen, Blinzeln und Umwelteinflüsse. Die Forschenden säubern zunächst die Rohsignale mit Filtern, die nur den Frequenzbereich behalten, der für anfallsbezogene Hirnaktivität am relevantesten ist. Anschließend komprimieren sie jedes lange Signal in eine kompakte Beschreibung mithilfe dreier Merkmalsfamilien. Statistische Merkmale erfassen, wie Werte verteilt oder verzerrt sind. Spektrale Merkmale beschreiben, wie die Energie des Signals auf verschiedene Frequenzen verteilt ist. Hjorth-Merkmale, eine klassische EEG-Messgröße, fassen zusammen, wie stark, beweglich und komplex das Signal über die Zeit ist. Zusammen liefern diese Zahlen eine reichhaltige, aber handhabbare Momentaufnahme des Hirnzustands und reduzieren die hohen Rechenkosten, die bei direkter Arbeit mit Rohwellenformen anfallen.

Ein intelligenteres neuronales Netzwerk, abgestimmt durch naturinspiriertes Suchen

Um diese Merkmalssnapshots zu lesen, entwickelte das Team ein Deep-Learning-Modell namens Spizella-basierte Bidirektionale Short-Term Memory-Netzwerk, kurz SBTM. Es basiert auf einer Art rekurrenter neuronaler Netze, die besonders gut mit Sequenzen umgehen kann, etwa Sprache oder Zeitreihendaten. Das „bidirektionale“ Design erlaubt dem Modell, Muster in den EEG-Merkmalen sowohl vorwärts als auch rückwärts in der Zeit zu betrachten, was ihm hilft, den subtilen Aufbau und Abfall zu erfassen, die auf einen bevorstehenden Anfall hindeuten können. Darüber hinaus führen die Forschenden eine neue Optimierungsmethode ein, die vom Futtersuch- und Fluchtverhalten kleiner Vögel und Berglöwen inspiriert ist. Dieser „Spizella“-Optimizer passt automatisch die vielen internen Einstellungen des Netzwerks an, sodass er Kombinationen findet, die Anfall- von Nicht-Anfall-Mustern am besten trennen und typische Fallstricke wie das Verfangen in schlechten lokalen Lösungen vermeidet.

Test unter realen Patientinnen- und Patientenbedingungen

Das System wurde an einer bekannten EEG-Sammlung eines Kinderkrankenhauses sowie an einem zusätzlichen Echtzeit-Datensatz evaluiert, die beide Aufzeichnungen von Patientinnen und Patienten mit häufigen Anfällen enthalten. Das SBTM-Modell lernte, anfallsbezogene Muster von normaler Aktivität mit bemerkenswertem Erfolg zu unterscheiden: Auf dem Hauptdatensatz erreichte es rund 98 % Spezifität (das heißt sehr wenige Fehlalarme) und etwa 97,5 % Sensitivität (das heißt, es verpasste selten echte Anfälle), bei einer Gesamtgenauigkeit nahe 97,5 %. Wichtig ist, dass es dies schneller und mit weniger Rechenaufwand tat als mehrere etablierte Machine-Learning-Ansätze und eine Reihe konkurrierender Deep-Learning-Modelle übertraf, die nicht dieselbe Merkmalsgestaltung oder Optimierungsstrategie nutzten.

Auf dem Weg zu sichererer, privaterer Epilepsieversorgung

Für Nichtfachleute ist die Quintessenz, dass diese Arbeit drei mächtige Ideen kombiniert – frühzeitige Anfallvorhersage aus EEG, ein kompaktes und effizientes neuronales Netzwerk sowie sichere Aufteilungsprotokolle mittels Blockchain – zu einem einzigen Rahmen. Praktisch könnte ein solches System eines Tages ein tragbares Gerät ermöglichen, das einer Person mit Epilepsie, ihren Angehörigen und ihrem Betreuungsteam Minuten vor einem Anfall eine Warnung sendet, während die medizinischen Daten beim Austausch zwischen Geräten und Krankenhäusern stark geschützt bleiben. Obwohl vor einer breiten Einführung noch weitere Tests und Verfeinerungen nötig sind, weist die Studie auf eine Zukunft hin, in der vernetzte, intelligente und datenschutzbewusste Werkzeuge Menschen mit Epilepsie ein sichereres und unabhängigeres Leben ermöglichen helfen.

Zitation: Kumar, A., Tripathi, E., Tripathi, A.K. et al. SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking. Sci Rep 16, 6830 (2026). https://doi.org/10.1038/s41598-026-36425-1

Schlüsselwörter: Epilepsie, EEG, Anfallvorhersage, Deep Learning, intelligente Gesundheitsversorgung