Enkanals EEG-baserad förutsägelse av anfall med djupinlärning

Varför det är viktigt att förutsäga anfall

För många personer med epilepsi kommer anfall utan varsel och stör arbete, skolgång och vardagen. Ett system som på ett pålitligt sätt kan varna för ett förestående anfall, även bara några minuter i förväg, skulle ge patienten tid att sätta sig eller lägga sig säkert, kalla på hjälp eller avbryta en riskfylld aktivitet som bilkörning eller matlagning. Denna studie undersöker om sådana varningar kan skapas med en enda liten hjärnvågssensor i stället för ett helt sjukhusnät av elektroder, med hjälp av en kompakt form av artificiell intelligens som så småningom skulle kunna köras i en bärbar enhet.

Ett enklare sätt att bevaka hjärnaktivitet

Det mesta forskningsarbete om anfallsprognos har använt komplexa inspelningar med många elektroder över hela skallen. Dessa system kan fungera väl i labbet men är skrymmande, energikrävande och svåra att bära hela dagen. Forskarna koncentrerade sig istället på "enkanals"-inspelningar, som fångar hjärnaktivitet från bara en plats åt gången. De valde sex elektrodpositioner i pannan, tinningen och nackslutet som skulle vara praktiska för ett lätt pannband eller plåster. Den avgörande frågan var om en enda välplacerad sensor ändå kunde plocka upp de subtila förändringar i hjärnaktivitet som ofta byggs upp före ett anfall.

Att träna en liten hjärnvågsavläsare

För att omvandla råa hjärnvågor till något en dator kan lära av delade teamet upp data i 10 sekunder långa segment och konverterade varje segment till en slags bild som visar hur signalstyrkan förändras över olika frekvenser över tid. Dessa bilder matades sedan in i en strömlinjeformad djupinlärningsmodell inspirerad av MobileNet, en familj neurala nätverk avsedda att köras på mobiltelefoner och andra lågströmsenheter. Genom att noggrant skära bort lager och kopplingar reducerade författarna modellen till strax under 38 000 justerbara parametrar, en liten bråkdel av storleken hos många moderna bildigenkänningssystem, samtidigt som den fortfarande kunde lära sig användbara mönster kopplade till anfall.

Att definiera användbar varningstid

Ur patientens perspektiv är inte varje korrekt detektion lika hjälpsam. En varning som kommer för sent erbjuder liten skyddseffekt, medan en som kommer alltför tidigt kan orsaka onödig oro. Studien antog därför klara tidsregler som speglar verkliga behov. För varje anfall definierade forskarna en "ingen varning"-zon som täcker de 2 minuterna precis innan starten, när det redan skulle vara svårt att reagera. De 30 minuterna innan det behandlades som den verkliga förutsägelsefönstret, där en varning anses lyckad om anfall inträffar inom denna period. Endast data från detta fönster och från tydligt normala perioder långt från något anfall användes för att lära och testa modellen.

Hur väl systemet presterade

Modellen testades på två patientgrupper: vuxna med läkemedelsresistent fokal epilepsi som behandlats vid Seoul National University Hospital, samt barn och unga vuxna i en allmänt använd offentlig datamängd. För varje person tränades och utvärderades systemet endast på individens egna data, vilket speglar hur en framtida enhet kan anpassa sig till sin bärare. Över patienterna klassificerade modellen korrekt ungefär 86 till 91 procent av 10-sekunderssegmenten, med relativt låga frekvenser av falsklarm. När bedömningen gjordes på nivån hela anfall och med de strikta tidsreglerna förutsade den framgångsrikt ungefär 95 procent av anfallen i sjukhusgruppen och 98 procent i den offentliga datamängden. Intressant nog visade sig elektroder i pannan ofta fungera bäst, och närhet till det medicinskt identifierade anfallsstartområdet förbättrade inte nödvändigtvis noggrannheten.

Vad detta kan betyda för vardagslivet

Dessa resultat tyder på att en enda liten hjärnvågssensor, i kombination med en mycket effektiv inlärningsalgoritm, kan ge pålitliga tidiga varningar för många anfall inom ett praktiskt användbart 30-minutersfönster. Även om fler studier krävs för att pröva metoden i större och mer varierade patientgrupper och för att förfina hur kanaler väljs för varje person, pekar studien mot anfallsprognossystem som kan bäras bekvämt under långa perioder och köras på begränsad batterikapacitet. Sådana verktyg skulle inte förebygga anfall, men de skulle kunna ge personer med epilepsi större kontroll och självförtroende i planeringen av sin dagliga verksamhet.

Citering: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Nyckelord: epilepsi, anfallsprognos, EEG, bärbara enheter, djupinlärning