《Journal of Neuroscience Methods》：A causal attention network with time frequency channel feature fusion for epileptic seizure prediction
编辑推荐：
癫痫预测中，提出结合膨胀因果卷积网络与因果注意力网络（CANet）的新方法，通过1小时预发作期和2小时发作前期的动态窗口优化，在Freiburg和CHB-MIT数据集上实现灵敏度100%/97.06%，误报率0.0077/0.0251 h?1，平均预警时间97.59分钟。创新点包括时空特征融合、全局因果推理和双层动态窗口设计。
作者：曲一民、饶松辉、李婷、李颖、牛艳、常瑞云、陈显川、王斌
中国太原理工大学计算机科学与技术学院（数据科学学院）
摘要
背景：
癫痫对患者的身心健康构成持续威胁，并带来沉重的经济负担。更准确的癫痫发作预测能够加快医疗响应速度，提高患者生活质量并降低医疗成本。现有研究主要集中在发作前的短时间内进行预测，但这一时间窗口往往过短，难以有效实施药物治疗。一个主要挑战是，发作前的阶段可能与发作间期相似，导致两者难以区分。
新方法：
我们提出了一种因果注意力网络（CANet），其发作间期和发作前期分别为1小时和2小时。在特征提取过程中，采用扩张型因果卷积网络来提取局部特征，并创新地将因果注意力机制融入癫痫预测中，以捕捉全局相关性特征。这两种方法的结合增强了特征提取能力，使得发作间期和发作前期之间的区分更加精确。我们还开发了一种双层动态窗口算法用于癫痫发作预测。
结果：
我们在Freiburg和CHB-MIT数据集上评估了该方法的性能。在Freiburg数据集上，1/2小时发作前期间隔的敏感性（Sen）分别为100.00%和96.67%，每小时误报率（FAR）分别为0.0077次/小时和0.0472次/小时，平均预测时间（APT）为97.59分钟。在CHB-MIT数据集上，在相同条件下，敏感性分别为97.06%和92.31%，误报率分别为0.0251次/小时和0.0666次/小时，平均预测时间为94.85分钟。
与现有方法的比较及结论：
我们的方法优于大多数现有方法，且颅内脑电图（Freiburg数据集）比头皮脑电图（CHB-MIT数据集）更能有效区分发作间期和发作前期。
引言
癫痫是一种由脑细胞异常电活动引起的长期神经系统疾病，表现为突然且短暂的发作。其全球发病率在0.6%到1%之间，其中相当一部分患者对抗癫痫药物无反应（Dalic和Cook，2016年；Kuhlmann等人，2018年）。该疾病会导致认知能力下降、心理问题以及由于频繁就医和长期服药而产生的经济负担（Fisher等人，2000年）。因此，精确及时的癫痫发作预测受到了全球范围内的广泛关注和研究。
在发作前期及时给药可以显著降低癫痫发作的可能性（Assali等人，2023年；Litt和Echauz，2002年；Tetzlaff和Senger，2012年）。急救药物必须在5到30分钟内发挥作用，以防止癫痫持续状态的发展；持续时间超过30分钟的癫痫持续状态可能导致脑损伤（Trinka等人，2015年；Glauser等人，2016年）。速效抗癫痫药物通常在30分钟内起效，主要为苯二氮卓类药物，但这类药物存在呼吸和循环系统抑制的风险，因此应在具备复苏条件的医疗机构中使用（Brophy等人，2012年）。这也凸显了维持性抗癫痫药物的重要性。大多数维持性抗癫痫药物需要超过30分钟才能见效，有些甚至需要超过1小时（Johannessen Landmark等人，2020年；Meirinho等人，2021年；Patsalos等人，2008年）。近期研究主要集中在短期癫痫预测上。发作前的时间段（SOP）通常定义为半小时或一小时，而平均预测时间（APT）通常短于半小时（Yuan等人，2020年；Assali等人，2023年；Pinto等人，2021年）。足够长的APT时间对于患者和护理人员及时采取预防措施至关重要（Li等人，2021年；Gao等人，2023年；Guo等人，2023年）。
最新研究发现，更长的SOP和延长的APT为癫痫患者提供了更多主动干预的时间（Trinka等人，2015年；Bruno等人，2020年；Hu等人，2020年）。有人开发了一种报警系统，可以提供5到960分钟的预警时间（平均114 ± 151分钟）（Cook等人，2013年）。还有研究利用可穿戴技术捕捉多日周期来预测癫痫发作（Xiong等人，2023年）。这些研究采用了多种方法在数小时或数天内预测癫痫发作，实验结果证实了在较长时间范围内预测癫痫发作是可能的。然而，准确区分较长的发作前期和发作间期阶段仍然是一个挑战，这也影响了癫痫预测研究的准确性。
目前，深度学习算法在语音识别和计算机视觉等多个领域取得了显著成效（Yadav等人，2022年；Long等人，2022年），并在癫痫预测中得到广泛应用。一些研究使用了时频分析方法。Truong等人（2018年）将短时傅里叶变换（STFT）与卷积神经网络结合使用，而Assali等人（2023年）融合了频谱和时间特征。在时空建模方面，Zhang等人（2023年）提出了STCNN模型，Liu等人（2024年）开发了3D卷积-双向LSTM-注意力模型。在注意力机制方面，Bhattacharya等人（2022年）将深度变换器应用于时频数据，Sun等人（2021年）提出了CADCNN框架。这些创新提升了癫痫预测的准确性。
在上述方法中，最长的SOP为60分钟，这使得APT几乎无法进一步延长。延长的APT时间可以让患者和护理人员有足够的时间提前采取主动干预措施。当APT时间超过传统抗癫痫药物的作用时间时，收到预警后及时服药可以有效抑制癫痫发作。精确的预测警报有望减少需要定期服药患者的用药频率和依赖性。然而，在实际应用中，延长SOP仍面临挑战。随着发作前期持续时间的增加，其电生理特征开始与发作间期特征重叠，这使得基于特征的区分变得越来越困难。对于通过STFT生成的频谱图，脑电图信号在时间和频率域上都存在相关性，且每个通道具有独特的特征。在以往的研究中，很少考虑时频和通道层面的因果关系。
针对上述问题，我们提出了因果注意力网络（CANet）。该方法充分利用了卷积网络在多维度上的局部特征提取和融合能力，以及CANet在全局因果特征提取方面的优势。首先，扩张型因果卷积网络在时间和频率维度上捕获局部因果特征，然后通过卷积融合所有通道特征。随后，在癫痫预测研究中引入了因果注意力网络，该网络能够学习输入数据中的全局因果关系。此外，我们还提出了一种双层动态窗口预测算法，以减少误报并优化给药时机，从而提高患者安全性。我们使用Freiburg数据集和CHB-MIT数据集评估了该方法，其性能优于许多现有的领先方法。
我们研究的主要贡献如下：
- •
这是首次将因果注意力网络应用于癫痫发作预测。通过构建全局因果推理框架，该模型能够捕捉脑电图信号中的深层相关性。
- •
扩张型因果卷积网络用于同时提取时域特征和频谱域特征，跨通道特征融合消除了单个通道的噪声干扰。
- •
双层动态窗口用于评估误报错误和误报率，为患者提供精确的早期预警。
数据描述
数据描述
我们在两个知名的脑电图数据集Freiburg和CHB-MIT上对提出的CANet方法进行了全面实验。Freiburg数据集包含21名癫痫患者（13名女性，8名男性）的87次发作记录，年龄范围为10至50岁。每位患者经历了2到5次发作。记录的采样率为256 Hz，共128个通道。发作起始和类似癫痫的信号由专家进行了标记（Aschenbrenner-Scheibe等人，2003年）。CHB-MIT数据库包含22名患者的脑电图记录
结果
在本节中，我们首先介绍了基于时间段和事件的性能评估标准。然后，我们展示了在所选两个数据集上的实验结果，包括我们的癫痫预测方法的详细性能以及关键组件对系统整体效果的影响。
讨论
癫痫患者在身体和心理上都遭受着巨大痛苦，并承担着沉重的经济负担。更准确的癫痫预测有助于患者改善生活质量。我们提出的方法利用扩张型因果卷积和因果注意力机制全面捕捉脑电图信号，双层动态窗口能够更准确地预测癫痫发作。本节讨论了我们提出的模型，该模型通过卷积网络提取局部特征，通过因果注意力网络提取全局特征。
结论
我们提出了一种结合因果注意力网络、时间和频率特征融合的方法。我们使用扩张型因果卷积和标准卷积在时间、频率和通道维度上进行局部特征提取和融合，使融合后的数据保留了这三个维度的重要信息。随后，利用因果注意力机制提取全局因果特征，进一步实现了更准确的癫痫预测。
作者贡献声明
曲一民：撰写初稿，进行形式化分析。
饶松辉：撰写初稿，进行形式化分析。
李婷：进行形式化分析。
李颖：进行形式化分析。
牛艳：进行形式化分析。
常瑞云：进行形式化分析。
陈显川：进行形式化分析。
王斌：撰写、审稿与编辑，项目监督。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
