SBTM：在区块链支持的物联网智能医疗监测中，基于深度学习的脑电信号癫痫发作预测

为什么在发作发生前预测它很重要

对于数以百万计与癫痫共存的人来说，发作常常毫无征兆——可能在下楼梯、过马路或驾车时突然到来。突发的发作可能导致跌倒、受伤，甚至更严重的后果，而持续的不确定性本身可能像发作一样令人生活受限。这项研究探索了一种通过脑电波记录进行发作预测的方法，结合可穿戴电子设备、先进的人工智能和安全的在线记录管理，让患者和医生能获得几分钟的关键预警，从而更好地保护日常生活。

以患者为中心的数字安全网

这项工作的核心是面向患者随时随地的智能医疗构想。微小的联网传感器测量大脑的电活动（即脑电信号），并通过无线网络将数据发送到医院服务器。服务器上的软件持续扫描传入信号，判断大脑是处于正常状态还是有向发作靠拢的迹象。由于这些信息属于高度敏感的医疗数据，系统采用了区块链技术——一种源自数字金融的办法——以难以篡改且便于审计的方式记录和共享数据。只有持有正确数字密钥并通过认证的医生才能解锁患者数据，数据在医院各科室与站点间有序组织与管理。

把脑电波变成早期警报

脑电记录很杂乱：它们包含来自肌肉运动、眨眼和外界环境的大量噪声。研究人员首先用滤波器清理原始信号，只保留与癫痫相关脑活动最相关的频率范围。然后，他们用三类特征将每一段长信号压缩为紧凑描述。统计特征捕捉数值的分布与偏斜情况；谱特征描述信号能量在不同频率上的分布；Hjorth 特征（一种经典的脑电量度）概括了信号随时间的强度、活动性和复杂性。组合起来，这些数值提供了对大脑状态的丰富但易于处理的快照，减少了直接处理原始波形所需的大量计算开销。

受自然行为启发的更智能神经网络调优

为了解读这些特征快照，团队设计了一种名为基于Spizella的双向短期记忆网络（SBTM）的深度学习模型。它建立在一种特别擅长处理序列（如语言或时间序列数据）的循环神经网络之上。“双向”结构使模型能够同时向前和向后观察脑电特征的时间模式，有助于捕捉可能预示发作的微妙累积与衰减。除此之外，研究者引入了一种受小型鸟类和美洲狮觅食与逃逸行为启发的新型优化方法。该“Spizella”优化器自动调整网络的众多内部参数，使其找到能最好地区分发作与非发作模式的参数组合，同时避免陷入表现不佳的局部最优。

在真实患者与真实环境下的测试

该系统在一家儿童医院的知名脑电数据集以及一个额外的实时数据集上进行了评估，两个数据集都包含频繁发作患者的记录。SBTM 模型学会了将与发作相关的模式与正常活动区分开来，并取得了显著成绩：在主要数据集上，其特异性约为98%（意味着误报极少），灵敏度约为97.5%（意味着很少漏检真实发作），整体准确率接近97.5%。重要的是，它在运行速度和计算资源消耗上优于若干既有机器学习方法，并且超越了一系列未采用相同特征设计或优化策略的深度学习模型。

迈向更安全、更私密的癫痫护理

对于非专业读者来说，结论是这项工作将三种强有力的理念——基于脑电的提前发作预测、紧凑高效的神经网络，以及基于区块链的安全记录共享——整合到一个框架中。从实用角度看，这样的系统未来有望让可穿戴设备在发作前几分钟提醒癫痫患者及其家属和护理团队，同时在设备与医院之间传输数据时为其医疗信息提供强有力的保护。尽管在广泛部署之前仍需更多测试与改进，但这项研究指向了一个互联、智能且注重隐私的工具能帮助癫痫患者更安全、更独立生活的未来。

引用: 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

关键词: 癫痫, 脑电图, 发作预测, 深度学习, 智能医疗