PSD-LW-DCN：一种基于功率谱密度的可推广轻量级深度卷积神经网络用于癫痫发作检测

让更聪明的癫痫监测变得可行

对患有癫痫的人来说，突发发作的恐惧几乎难以消除。医生使用称为脑电图（EEG）的脑电波检查来识别发作，但逐小时人工审阅那些波形既缓慢又疲劳。本文提出了一种紧凑的计算模型，能够从EEG记录中近实时地自动标记发作，即便用于从未见过的患者也能泛化，并且足够轻量，可以运行在常见电子设备和未来的可穿戴设备上。

解读脑电为何如此困难

EEG记录的是头皮上微弱的电信号，反映出脑细胞放电的活动。发作期间，这些信号会以复杂的方式发生变化，这种变化在不同个体之间、不同发作类型之间，甚至同一患者随时间也会不同。传统上，专家通过肉眼寻找细微模式，这一过程既慢又主观且难以复现。许多计算方法被提出以辅助检测，但在面对训练数据之外、脑活动差异显著的新患者时常常表现不佳。另一些方法则模型庞大、耗电高，不适合院外的持续监测。

用不同“音高”听脑电

作者没有把原始EEG信号直接送入巨大的神经网络，而是采用信号处理中的经典思路：观察信号能量如何分布在不同“音高”或频段上。他们将每段EEG划分为五个常用频段，从慢波到更快的节律。对每个频段，使用一种谨慎的平均方法计算各频率处的能量，以减少随机噪声。然后将这些能量值在所有通道上平均，把多条独立的波形转化为单一、更干净的轮廓，从而突出整体脑活动在正常与发作状态之间的变化。

小而聪明的神经网络

这些紧凑的能量轮廓随后被输入作者设计的深度学习模型PSD-LW-DCN。与许多拥有数十层和数百万可调参数的深度网络不同，该模型仅使用两级精简的卷积处理，然后是简单的决策层，总参数量约为六万左右。第一阶段在能量轮廓中寻找细节模式；第二阶段将其压缩为低维摘要，但仍保留发作与非发作时段的关键差异。通过在已简化的输入上工作并避免复杂的电极间空间连线，网络保持了小巧、运行快速且更易部署在性能有限的硬件上。

在真实患者中表现如何？

团队在两个最大的公开癫痫EEG数据库上测试了该方法，每个数据库都包含来自许多不同患者的大量发作记录。训练时采用留一人交叉验证策略：每一轮用除一名受试者之外的所有人进行学习，将被留出的受试者用于测试方法对新个体的泛化能力。在两个数据集上，模型大致正确标注了五分之四的EEG片段，并把误报率控制在较低水平，在长时间监测中通常低于每小时一次的虚假警报。与包括注意力网络和Transformer模型在内的一系列现代深度学习方法进行直接比较时，这一紧凑设计在准确性上与它们持平或更优，同时运行速度高数倍且占用内存仅为其一小部分。

能量模式揭示了什么

为检验模型是否捕捉到有意义的脑电变化而非仅仅记忆数据，研究者检查了不同频段能量在检测良好与检测较差的患者间的表现。在许多检测效果良好的病例中，发作期间在某些频段尤其是所谓的theta波段出现明显的能量激增，相较于发作间的安静期更为突出。在更困难的病例中，这些能量差异较弱甚至方向相反，这有助于解释为何某些个体对任何自动系统都更具挑战性。额外测试表明，将多个频段组合在一起比单独使用任一频段效果更好，强调了观察完整脑节律谱的价值。

让连续监测更贴近日常生活

总体而言，这项工作表明，经过精心设计的轻量级模型能够在来自许多不同个体的EEG记录中可靠地识别发作，同时运行足够快速，可在低功耗设备上实现实时使用。通过先将复杂脑信号转换为紧凑的能量指纹，再用适度的神经网络进行分析，这一方法在准确性、速度和简洁性之间取得了平衡。对患者和临床医生而言，这使得更可靠、侵入性更小的发作监测——可能通过床边设备或可穿戴系统——更接近日常现实。

引用: Gu, P., Zhang, M., Xu, M. et al. PSD-LW-DCN: a generalizable power spectral density based lightweight deep convolutional neural network for seizure detection. Sci Rep 16, 14073 (2026). https://doi.org/10.1038/s41598-026-44536-y

关键词: 癫痫, 脑电图（EEG）, 发作检测, 深度学习, 可穿戴监测