对于每个病人来说，准确地确定癫痫发作仍然是一个难以捉摸的问题。三分之一的病人对药物治疗没有反应，而另一种选择是通过手术来定位和移除小簇神经元，这些神经元是癫痫发作的“种子”，不幸的是，这样的手术经常不能带来任何缓解。

2015年，来自宾夕法尼亚大学的研究人员通过研究22名患者88次癫痫发作的记录，观察癫痫发作前大脑的电活动网络，并由此开发了一系列算法，能在大脑中预测癫痫发作产生。

这种算法可以提供一种更客观的方法来确定手术目标，提高干预的成功率，并可能导致侵入性更小的治疗形式。

现在，圣路易斯华盛顿大学麦凯维工程学院的研究人员将人工智能与系统理论相结合，开发出一种更有效的实时检测和准确识别癫痫发作的方法。

他们的研究结果发表在5月26日的《科学报告》杂志上，题目为“Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Seizures”，干扰脑电图网络对癫痫发作的实时推断和检测。

这项研究来自普雷斯顿M.格林电子与系统工程系教授Jr-Shin Li的实验室，由其实验室的博士后Walter Bomela领导。 

研究小组中还有Jr-Shin Li的前学生Shuo Wang和东北大学的Chu-An Chou。Shuo Wang现在是德克萨斯大学阿灵顿分校的助理教授。

“我们的技术允许我们获得原始数据，处理它，并提取一个特征，这对机器学习模型的使用更有帮助。”Bomela说，“我们方法的主要优势是将23个电极的信号融合到一个参数中，可以用更少的计算资源有效地处理。” 

在脑科学中，目前对大多数癫痫发作的理解是，当正常的大脑活动被一簇神经元强烈、突然、高度同步的放电打断时，就会发生癫痫发作。在癫痫发作期间，如果一个人被连接上脑电图仪——一种被称为EEG的设备，用来测量电的输出——异常的大脑活动就会以放大的尖峰-波放电的形式呈现出来。

 “但是当使用颞叶脑电图信号时，癫痫的检测精度不是很好。”Bomela说。该小组开发了一种网络推理技术，以促进发现和查明其位置，提高准确性。

在脑电图过程中，一个人将电极连接在头部的不同位置，每个电极记录该位置周围的电活动。

“我们把脑电图电极当作网络的节点。利用来自每个节点的记录(时间序列数据)，我们开发了一种数据驱动的方法来推断网络中时变的连接或节点之间的关系。”Bomela说。网络技术考虑的不是单一的脑电图数据——单个信号的峰值和强度——而是相互关系。他说，“我们想要推断大脑区域是如何互动的。”

正是这些关系的总和形成了网络。

一旦你有了一个网络，你就可以整体地测量它的参数。例如，可以对整个网络的强度进行评估，而不是测量单个信号的强度。有一个参数，叫做Fiedler特征值，它有特殊的用途。“当癫痫发作时，你会看到这个参数开始增加。”Bomela说。

在网络理论中，Fiedler特征值也与网络的同步性有关——该值越大，网络的同步性越强。“这与癫痫发作时大脑活动是同步的这一理论相一致。”Bomela说。

对同步的偏爱也有助于消除伪影和背景噪音。例如，如果一个人划伤了自己的手臂，相关的大脑活动将被脑电图电极或通道捕获。但是，它不会与捕获活动同步。这样，这种网络结构本质上降低了不相关信号的重要性;只有同步的大脑活动才会显著增加Fiedler特征值。

目前这项技术只适用于个别病人。下一步是整合机器学习来推广识别不同类型癫痫的技术。其思想是利用各种参数来表征网络，并利用它们作为特征来训练机器学习算法。

Bomela将这种工作方式与面部识别软件相比较，后者通过测量眼睛、嘴唇等不同的特征，从这些例子中归纳出任何一张脸。 

“网络就像一张脸。”他说。“你可以从一个人的网络中提取不同的参数——比如聚类系数或接近中心度——来帮助机器学习区分不同的癫痫发作。”

这是因为在网络理论中，特定参数的相似性与特定网络有关。在这种情况下，这些网络将对应不同类型的癫痫发作。

也许有一天，癫痫患者可以佩戴类似于胰岛素泵的设备。当神经元开始同步时，该设备会发送药物或电干扰来阻止癫痫发作。

但在此之前，研究人员需要更好地了解神经网络。

“虽然最终的目标是完善这项技术以用于临床，但目前我们专注于开发将癫痫诊断为大脑活动剧烈变化的方法。”Li说，“在我们目前的方法中，通过将大脑视为一个网络来捕捉这些变化。”

编译/前瞻经济学人APP资讯组

参考资料：

l

https://www.nature.com/articles/s41598-020-65401-6