编辑推荐：
这篇综述系统评估了可穿戴设备和人工智能算法在癫痫发作检测与预测中的应用进展，涵盖了脑电图(EEG)等生物信号采集、新兴腕带/耳戴设备设计以及机器学习(ML)算法（如随机森林、卷积神经网络）的性能。文章指出，当前核心挑战在于降低日常使用中的误报率和维持信号质量，而整合多模态生物信号是提升检测敏感性与实现发作前预测的关键方向，最终目标是开发出准确、可靠且不影响日常生活的设备，以改善癫痫患者的生活质量与临床管理。
癫痫影响着全球数百万人，对能够持续监测患者健康状况和癫痫发作活动的前沿方法提出了迫切需求。传统的金标准诊断工具——脑电图(EEG)，虽然在评估大脑电活动方面直接有效，但其通常需要在医院进行，且电极需要长期佩戴和维护，不便于日常连续监测。相比之下，基于可穿戴技术的设备能够持续采集生理数据，为实现现实世界中的实时癫痫发作检测提供了可能。
用于癫痫发作检测的EEG与生物信号
癫痫发作检测依赖于识别生理信号（也称为生物信号）的相关变化。在众多诊断工具中，EEG为大脑活动提供了最直接的窗口。然而，其他生物信号，包括心率、皮肤电活动(EDA)和体温，也可能在癫痫发作期间显示出可测量的变化。尽管每种信号单独提供的视角有限，但当它们整合在一起时，可以提供更可靠的患者状况全景图。
具体而言，EEG通过在头皮或大脑附近放置电极来测量电活动。除了传统的头皮EEG，为便于长期使用，也发展出了电极数量减少的可穿戴EEG设备，例如围绕耳朵佩戴的设备，可将小型电极放置在外耳道、耳甲腔或耳垂后的乳突骨上。这些设备尽管通常只能记录来自颞叶的信号，但相比传统头皮EEG更适用于长期监测。
除了EEG，研究也越来越多地探索EEG之外的、易于集成到可穿戴设备中的生物信号。其中，运动是研究最广泛的信号，特别是在全身强直阵挛发作中，肢体的节律性抽动可以通过运动传感器捕捉。加速度计和陀螺仪传感器常见于追踪运动的腕戴设备中。加速度计测量线性加速度，非常适合检测突然的抽动，而陀螺仪捕捉角速度，有助于识别更复杂的重复性运动模式。
尽管运动传感器捕捉了癫痫发作的外部表现，但内部生理信号为了解身体的系统性反应提供了额外信息。EDA测量因汗腺活动引起的皮肤电阻或电导变化。心电图(ECG)和表面肌电图(sEMG)分别记录来自心脏和骨骼肌的电信号，这些信号在癫痫发作期间也可能发生变化。光电容积脉搏波描记法(PPG)利用光吸收跟踪血容量变化，常用于估算心率和血容量脉搏。体温在癫痫发作期间也可能发生变化。虽然对癫痫发作检测有贡献的具体信号因患者而异，但整合多种信号类型的方法已显示出最佳性能。
然而，为癫痫发作检测获取可靠数据面临两大核心挑战：一是确保捕获的信号是真实信号，二是在现实世界环境中进行长时间记录。信号质量常常受到伪影干扰：可穿戴记录特别容易受到运动伪影、生理噪声以及患者取下或调整设备时的数据丢失的影响。癫痫发作本身引起的突然运动或肌肉活动可能进一步扭曲记录的信号。
新兴技术
在捕获生理信号以监测健康的可穿戴设备中，腕带和耳戴设备已成为癫痫发作检测领域两种前景广阔的设备设计。
腕戴设备是研究最广泛的可穿戴癫痫发作检测设备，因为它们可以无创测量心率、运动和其他生理信号。文献中最常研究的型号是Empatica E4腕带，它集成了PPG、加速度、体温和EDA四种传感器。此外，Empatica公司目前还提供EpiMonitor腕带，这是一种已获得美国食品药品监督管理局(FDA)许可的医疗器械。其他已被评估用于癫痫发作检测的腕戴设备还包括Apple Watch、Fitbit Charge 2、三星SM-R800手表等原型设备。这些设备在设计和使用目的上有所不同，包括癫痫专用监测器、健身追踪器和消费级智能手表。
与依赖间接生理测量的腕带不同，佩戴在耳内或耳上的设备可以直接记录EEG波形。早期的一项研究在每只耳朵中放置了四个电极，结果显示，耳内捕获的EEG信号在癫痫发作检测方面与头皮捕获的信号具有可比性。随后的研究简化了设计，在每只耳朵放置两个电极。分析发现，耳内EEG记录的癫痫发作检测灵敏度与头皮EEG和颅内EEG相当。另一种相关的方法是耳后EEG，涉及将两个电极粘在每只耳朵后面的皮肤上，以捕获来自颞叶的电活动。尽管耳内和耳后EEG在解剖学上受限于仅放置颞叶电极，可能导致漏检发作活动，但这些设备的紧凑设计凸显了其作为日常可穿戴设备的潜力。
研究人员还探索了超越传统设计的创新系统。例如，Hexoskin智能衬衫嵌入了纺织传感器，用于测量ECG、呼吸感应体积描记法和加速度等生理信号。它实现了轻量级且比医院方法更不显眼的长期监测。与此同时，新兴设备正从癫痫发作检测转向癫痫发作预测，目标是在癫痫发作开始前识别生理变化，从而实现癫痫发作预防策略。
人工智能
机器学习(ML)涵盖了计算机识别数据模式的技术，其中许多方法已应用于癫痫发作检测。深度学习使用人工神经网络，数据从输入层通过多个隐藏层处理到输出层。支持向量机涉及确定一个超平面，以促进将数据分类为不同类别，如癫痫发作或非癫痫发作状态。随机森林利用决策树来确定分类，对于多模态生物信号特别有用。K-近邻算法基于与邻近点的相似性对数据进行分类。最近的研究还探索了生成对抗网络和梯度提升树机，它们通过生成类似癫痫发作的人工信号来扩增有限的数据集，从而提高性能。
可穿戴设备记录信号后，产生的数据流必须经过组织和处理以供进一步评估，这可以通过手动（包括由经验丰富的癫痫专家进行）、自动（包括通过ML算法）或两者结合的方式完成。大多数研究依赖训练有素的癫痫专家对EEG的审阅作为参考标准，以确定癫痫发作的开始和结束时间。在采用ML的研究中，模型通常在带注释的数据集上进行训练，随后在独立的测试数据集上进行评估，以评估其泛化能力。
ML模型在癫痫发作检测中的性能已在多种设备上得到评估，通常使用灵敏度（正确识别的真实癫痫事件的比例）和误报率（常报告为每24小时的误报次数，FA/24 h）来评估。在最大化灵敏度以捕捉真实癫痫发作和最小化误报警报之间存在着固有的权衡。使用Empatica E4腕带的研究提供了有用的基准。例如，B?ttcher等人将梯度提升树机模型应用于Empatica E4的加速度和EDA数据，在测试数据集中报告了91%的检测灵敏度且无误报输出，在扩展测试集中为0.37 FA/24 h。Nasseri等人对同一设备应用循环神经网络处理加速度、血容量脉搏、EDA、体温和心率数据，对运动性癫痫发作实现了93%的灵敏度和2.3 FA/24 h，对所有癫痫发作类型实现了47%的灵敏度和7.2 FA/24 h。在原型腕戴设备中也报告了相当的灵敏度和误报率。例如，Larsen等人使用人工神经网络评估加速度和陀螺仪信号，在测试数据集上，模型实现了100%的灵敏度和0.552 FA/24 h。
并行研究也检验了ML模型在耳后EEG设备中的潜力。例如，You等人使用NicoletOne EEG系统（每耳后两个电极）构建了一个生成对抗网络，实现了96.3%的灵敏度和3.36 FA/24 h。Swinnen等人使用两个Ambu Neuroline杯状电极（每耳后一个）比较了支持向量机算法与经验丰富的癫痫专家的性能。人类分析发现中位灵敏度为81%，而支持向量机算法的灵敏度为99.67%，误报率为57.4 FA/24 h。对初始算法的修改将误报率降低至21.9 FA/24 h，灵敏度略微下降至98.3%。Lehnen等人评估了BrainSD设备（每只硅胶耳塞配备两个电极），在多种算法中，支持向量机表现最佳，准确度为95.3%，灵敏度为97%；K-近邻和随机森林模型的准确度均为92.8%。需要大规模研究的进一步验证，以确定耳EEG作为门诊长期癫痫发作监测方案的可行性。
监管考量
监管方面的考量影响了包含AI的可穿戴医疗设备的潜在临床应用。在美国，FDA将用于诊断或预防疾病的AI驱动软件作为医疗器械进行监管。监管流程允许考虑每种设备的收益和风险，通常涉及验证研究。当整合到可穿戴设备中时，许多算法是“固定不变的”，这意味着未经进一步的监管审查不能进行软件修改。此外，这些设备产生的数据可能受《健康保险流通与责任法案》(HIPAA)的约束，该法案为健康相关数据的保护制定了严格标准。癫痫发作检测技术的制造商必须同时解决设备安全性和数据隐私问题。
未来展望
近期的研究引入了用于癫痫发作检测的ML模型。改善信噪比以及开发在不增加误报率的情况下提高灵敏度的检测算法，仍然是优化性能的主要挑战。可穿戴技术的采用存在着内在的正反馈循环：更多的使用可以提供更多的训练数据，有望提高性能并推动进一步的采用。
与此同时，研究小组正在研究可以利用可穿戴技术预测癫痫发作的算法。这种预测癫痫发作的能力旨在使癫痫患者能够相应地制定计划，包括确保他们处于安全位置并实施预防策略。在一项针对癫痫患者及其照顾者的调查中，76%的受访者表示他们会使用一种能够预测高发作概率和低发作概率时间的设备。与检测算法类似，预测算法也需要在可接受的灵敏度和误报率之间取得平衡，并且还面临着提供足够时间以允许干预的预测的额外挑战。例如，一项研究旨在预测癫痫监测单元住院患者未来一天内是否会发生癫痫发作，它使用了Empatica E4腕带的15分钟记录以及临床数据，实现了66%的平均分类准确率。多模态生理信号的整合，其中可能还包括更广泛的可穿戴信号（如睡眠阶段持续时间），很可能在开发具有可接受性能的模型中发挥关键作用。
可穿戴癫痫发作检测设备代表着癫痫患者管理的一项重要进步。尽管当前设备的准确性各不相同，但生理信号整合和算法性能的改进展示了向现实世界应用迈出的有意义步伐。对临床医生而言，这些系统将监测扩展到医院环境之外，实现了及时的干预和个性化治疗。对科学家和工程师而言，下一个前沿在于识别哪些生物信号最能可靠地预测癫痫发作，并设计出能在不同人群中实现一致性能的算法。最终目标是开发出一种准确、可靠、经济实惠且不影响日常生活的设备。这样的设备将使个人能够监控自己的健康状况，同时保持照顾者和临床医生的联系，将技术创新与改善神经学结局结合在一起。
