《Computers in Biology and Medicine》：Analysis of EEG univariate features for epileptic seizures
编辑推荐：
本研究通过分析四个公共脑电数据库（180例患者/100例对照/613次发作），系统评估了七种时频域单变量特征在癫痫发作各阶段（发作前/中/后）及健康对照中的差异。结果表明归一化功率谱密度（PSD）是识别发作活动最可靠的指标（p<0.05），同时移动性、复杂性和近似熵（ApEn）的显著变化提示发作期脑电信号不规则性降低。研究为多维度脑电特征联合分析提供了新证据，对癫痫精准诊断具有重要参考价值。
Highlight
本研究通过分析大规模头皮脑电图（EEG）数据，揭示了癫痫发作过程中多个单变量特征的动态变化规律，为探索神经生物标志物提供了新视角。
Materials and methods
本节详细介绍了数据来源、预处理流程、特征提取与分析方法。图1展示了方法学整体框架，涵盖四个EEG数据库的整合、七种时频域特征（包括偏度、峰度、移动性、复杂性、Katz分形维数、近似熵及归一化功率谱密度）的计算，以及基于非参数统计检验的比较方案。
Results
实验结果显示：
- 1.
发作期归一化功率谱密度（PSD）在所有频段（δ/θ/α/β/γ）均呈现显著升高（p<0.05）；
- 2.
熵类指标（如近似熵ApEn）在发作期明显下降，表明脑电信号复杂性降低；
- 3.
移动性与复杂性特征在发作前、中、后阶段均存在统计学差异，提示其可用于发作阶段划分。
Discussion
研究发现尽管不同数据库间存在异质性，但归一化PSD在跨数据集比较中稳定性最高。熵值的降低与脑电活动同步性增强相符，可能反映癫痫发作时神经集群的过度同步放电。未来需结合多中心数据进一步验证特征普适性。
Conclusions
本研究证实联合时频域与熵特征能更全面刻画癫痫发作动态，其中归一化PSD与熵指标最具临床转化潜力。后续工作应聚焦于建立跨人群标准化特征体系，推动癫痫精准诊疗发展。
