基于单通道脑电的癫痫发作预测：深度学习方法

为什么预测癫痫发作很重要

对许多癫痫患者来说，发作常常毫无预警，扰乱工作、学习和日常生活。能够可靠地提前发出警报的系统——即便只有几分钟的预警时间——也能让患者有时间坐下或躺下以保证安全、呼救，或暂停驾驶、做饭等高风险活动。本研究探讨是否可以仅用一个小型脑电传感器，而非整套医院电极帽，配合一种紧凑的人工智能模型来生成此类警示，最终有望在可穿戴设备上运行。

更简便的脑活动监测方式

大多数关于发作预测的研究依赖于在头皮多点放置电极的复杂记录系统。这类系统在实验室可行，但体积大、耗电且不适合全天佩戴。研究者转而关注“单通道”记录，只从一个位置采集脑活动信号。他们在额部、太阳穴和后头部选定了六个电极位点，这些位置更适合做成轻便的头带或贴片。关键问题是：仅靠单个、位置良好的传感器，是否仍能捕捉到常在发作前逐步累积的微妙脑电变化。

训练一款微型脑电识别器

为了把原始脑电信号变成计算机可学习的输入，团队将数据切分为10秒片段，并将每段转换为一种“图像”，展示信号强度在不同频率随时间的变化。随后将这些图像输入到受MobileNet启发的精简深度学习模型中，MobileNet是为手机和低功耗设备设计的一类神经网络。通过谨慎裁剪层与连接，作者将模型参数量压缩到不到38,000个可调参数——相较于许多现代图像识别系统，这一规模微小——同时仍能学习到与发作相关的有效模式。

如何定义有用的预警时间

从患者角度看，并非每一次正确检测都同样有价值。来得太晚的警报几乎无助于防护，而来得太早则可能造成不必要的焦虑。因此研究采用了反映现实需求的明确时序规则。对于每次发作，研究者定义了一个“无警报”区间，涵盖发作前2分钟——此时反应已困难。再往前的30分钟被视为真正的预测窗口：如果发作在这段时间内发生，警报即被视为成功。仅使用来自该窗口以及远离任何发作的明确正常时期的数据来训练和测试模型。

系统的表现如何

模型在两组患者上进行了测试：首尔国立大学医院接受治疗的耐药性局灶性癫痫成人患者，以及一个广泛使用的公开数据集中儿童和青年患者。对每位受试者，系统仅在该个体的数据上进行训练和评估，模拟未来设备如何适配佩戴者。跨患者统计显示，模型对10秒片段的分类准确率约为86%到91%，误报率相对较低。按整次发作并使用严格时序规则评判时，模型在医院组成功预测约95%的发作，在公开数据集中约为98%。有趣的是，额部电极通常表现最好，而更贴近临床判定的发作起始区并不总能提高准确率。

这对日常生活意味着什么

这些结果表明，单个小型脑电传感器配合高效的学习算法，能够在实用的30分钟窗口内为许多发作提供可靠的早期警示。尽管还需在更大、更多样化的患者群体中进一步验证该方法，并改进针对个人的电极通道选择，本研究指向了可舒适长期佩戴并在有限电池下运行的发作预测系统。此类工具无法阻止发作发生，但可以让癫痫患者在安排日常活动时拥有更多控制权和信心。

引用: 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

关键词: 癫痫, 发作预测, 脑电图, 可穿戴设备, 深度学习