基于改进的VMD和多维特征融合的多发性癫痫样波检测算法

《Journal of Neuroscience Methods》：Multiple epileptiform waves detection algorithm based on improved VMD and multidimensional feature fusion

癫痫波形多模态检测算法研究：基于改进VMD与双流1DCNN的特征融合方法

　　

蔡启伟|胡定汉|高峰|娄晓辉|曹九文

浙江省机器学习与智慧健康国际合作基地，杭州电子科技大学，中国杭州，310018

摘要

背景：

在非快速眼动（NREM）睡眠期间出现的尖峰、涟漪以及尖峰上的涟漪（RonS）都是与癫痫发作相关的重要生物标志物，准确检测这些癫痫样波形对于癫痫分析至关重要。

新方法：

改进的变分模态分解（VMD）用于分解频带以分离目标癫痫样波形。从低频和高频带中提取多维手工特征来表征这些波形，并通过递归特征消除（RFE）选择关键特征。同时，一个具有自适应缩放因子的双流一维卷积神经网络（1D CNN）从VMD分解的频带中提取深度特征，然后将这些特征与手工特征融合。

结果：

实验结果表明，所提出的算法在来自浙江大学医学院儿童医院的16名患有良性儿童癫痫（BECTS）的儿童头皮脑电图（EEG）数据上，平均精度达到91%，召回率为90.36%，F1分数为90.62%。

与现有方法的比较：

以往的研究通常只关注一种类型的癫痫样放电。这种狭隘的关注限制了这些生物标志物在临床实践中的转化及其广泛应用。在本研究中，同时关注了三种类型的癫痫样放电。

结论：

我们的方法在检测多种癫痫样波形方面实现了最佳的整体性能。可以得出结论，所提出的技术能够作为一种有效的工具来评估多种癫痫样波形。

引言

反复发作的癫痫会对患者的心理和认知功能产生累积性的负面影响，在发作持续时间较长或发作期间发生意外时甚至可能危及生命（Casson等人，2010年）。儿童是癫痫的高风险群体，其中良性儿童癫痫（BECTS）是儿童时期最常见的形式之一。这种病症通常在学龄前到青春期之间出现，预后一般较好。儿童癫痫的总体发病率显著高于成人，这突显了早期检测和干预的重要性。

间歇期脑电图（EEG）显示大多数癫痫患者存在尖峰、尖锐波和尖峰-波复合体等癫痫样放电。这些放电是癫痫诊断、预测和病灶定位的有效标志物。传统的EEG研究主要集中在0.3–70 Hz的频带。然而，近年来，高频活动（HFA，≥80 Hz）和高频振荡（HFOs）受到了越来越多的关注（Jacobs等人，2009年）。当HFOs与尖峰同时出现或在发作期间出现时，被认为是病理性的（Mooij等人，2022年）。尖峰、涟漪和RonS已成为识别癫痫手术候选者中致痫组织的有希望的生物标志物（Thomschewski等人，2019年）。然而，当前的研究往往只关注一种类型的癫痫样放电。这种狭隘的关注限制了这些生物标志物在临床实践中的转化和广泛应用。推进这项研究的主要障碍包括在嘈杂的脑电记录中检测低幅度、短暂事件的难度。此外，手动检测和验证癫痫样放电事件既耗时又高度主观，进一步阻碍了这些生物标志物的临床应用。

临床上，EEG的分析和解释主要依赖于医疗专业人员的视觉检查和手动注释，这一过程目前被认为是基于EEG的癫痫诊断的金标准（Noachtar和Rémi，2009年）。然而，癫痫发作的不可预测时间和频率导致记录中的显著变异性以及解释的不确定性，使得手动检测变得非常繁琐且耗时。为了解决这些挑战，我们开发了一种基于改进的VMD和多维特征融合的新算法，该算法使用单一的多类分类器同时检测多种类型的癫痫样波形（尖峰、涟漪和RonS）。本文的主要贡献包括：

• •
  采用了一种具有动态容忍度调整策略的改进VMD，以替代传统的带通滤波，从而减少振铃伪影并最小化涟漪的误分类率。
• •
  从低频和高频域提取多维特征来表征尖峰和涟漪，并应用递归特征消除（RFE）来选择具有区分性的特征。
• •
  构建了一个带有自适应缩放因子的双流一维CNN，从原始时间序列数据中提取深度特征，然后将这些特征与手工特征融合，以提高检测的鲁棒性和准确性。

为了验证我们提出算法的有效性，我们在16名BECTS患者的头皮EEG数据集上进行了广泛的比较实验。结果表明，我们的算法在检测准确性和鲁棒性方面优于四种最先进的尖峰和涟漪检测方法。图1展示了所开发的多种癫痫样波形检测算法的流程图。

相关研究

相关工作

以往的研究从多个角度全面分析了癫痫样波形的特征，不仅提出了基于形态学、信号相关性、子带分解和特征工程的检测算法（Zhang等人，2013年；Casson和Rodriguez-Villegas，2009年；Fürbass等人，2015年），以逐步改进自动癫痫检测系统，还深入探讨了特征提取方法。

改进的VMD

在检测癫痫样波形时，消除可能扭曲信号的各种伪影和噪声非常重要，例如眨眼伪影、肌电图（EMG）噪声、非生理伪影和基线漂移（Cao等人，2021年；Wang等人，2021年）。这些干扰可能显著影响癫痫样波形检测的准确性和可靠性，导致假阳性或假阴性结果。为了实现有效的信号去噪，首先应用了一个50 Hz的陷波滤波器

数据库

本研究中使用的EEG数据来自16名被诊断为BECTS综合征的儿童。长期EEG监测和数据采集在浙江大学医学院儿童医院进行。患者的年龄范围为3至12岁，男女各8名。EEG的采样频率为1000 Hz，电极放置遵循国际10–20系统。鉴于癫痫发病率的显著增加

结论

本文提出了一种基于VMD和多维特征融合的癫痫样波形检测算法。采用改进的VMD替代传统的带通滤波，旨在减少振铃伪影并最小化涟漪波的误分类率。从低频和高频域提取三维特征来表征尖峰和涟漪，并利用RFE选择具有区分性的特征。构建了一个双流一维

CRediT作者贡献声明

蔡启伟：撰写——原始草稿、软件、方法论。胡定汉：撰写——审阅与编辑、验证、资金获取、概念化。高峰：调查、数据管理、概念化。娄晓辉：形式分析、概念化。曹九文：监督、项目管理、资金获取。

伦理标准

本研究已获得浙江大学医学院伦理委员会的批准（2025-IRB-0144-P-01）。所有患者在纳入研究前均提供了知情同意。

资金

本研究部分得到了国家自然科学基金（项目编号：62503142）的支持，部分得到了浙江省自然科学基金（项目编号：LQN25F030013和LZ24F030010）的支持，以及国家重点研发计划（项目编号：2021YFE0100100）的支持。

利益冲突声明

我们声明与任何可能不当影响我们工作的个人或组织没有财务和个人关系，且对任何产品、服务和/或公司没有可能影响本文所述观点或手稿评审的专业或其他个人利益。