（Zhendi Xu, Tianlei Wang, Jiuwen Cao*, Zihang Bao, Tiejia Jiang, and Feng Gao, BECT Spike Detection based on Novel EEG Sequence Features and LSTM Algorithms, IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2021, published online）
棘波是脑神经系统疾病辅助诊断的基础的生物标志物，临床上的典型应用之一就是辅助伴中央颞区棘波儿童良性癫痫（BECT）的诊断及用药分析。与浙江大学医学院附属儿童医院合作，我院人机混合智能与智慧健康研究中心在BECT患者脑电棘波检测方向的研究论文“BECT Spike Detection based on Novel EEG Sequence Features and LSTM Algorithms”被IEEE神经系统与康复工程顶级期刊IEEE Transactions on Neural Systems & Rehabilitation Engineering录用。该研究有效解决了BECT患者脑电棘波放电检测问题，提出了基于多维时序脑电特征融合的棘波表征算法，并结合长短时记忆深度神经网络（LSTM）实现棘波的分类检测。
癫痫作为一种常见的神经系统疾病，儿童发病率为成人的10-15倍，严重危害神经系统快速发育塑性期儿童的生命健康。BECT是儿童时期最常见的局灶性癫痫之一，占儿童癫痫总发作的15%-24%，其主要特征就是发作间期患者脑电中央颞区存在大量的棘慢复合波为主的癫痫样放电。非快速动眼期棘波放电时长占比是BECT综合征诊断和用药分析的重要标准之一，棘波检测算法能够有效辅助专家对病情进行快速分析，并为进一步的自动化分析算法奠定基础。在棘波定位检测任务中，头皮脑电信号中存在的大量伪迹干扰对检测算法的抗干扰能力提出了挑战，同时，脑电采样频率不足与检测精度要求高的矛盾要求检测算法在定位能力和检测能力之间做出合理取舍。针对以上问题，论文提出了以下解决方案：1）经过基础预处理算法后，对信号样本通过合成少数类过采样技术进行数据增强，通过增加数据量提升算法性能；2）在脑电数据中提取了非线性能量（SNE）、形态学特征（MC）两种时序脑电特征，其能够进一步提升棘波与背景波形间的差异性，将其与脑电信号进行融合后用于棘波表征；3）基于循环神经网络在时序信号建模领域的优势，构建了基于Stacked双向深度 LSTM（BiLSTM）的BECT癫痫患者棘波精准检测模型。论文的检测算法在浙江大学医学院附属儿童医院15例BECT综合征患者的临床数据上得到了验证。
论文第一作者为研究生徐镇迪，指导教师曹九稳教授为论文通讯作者，研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。
核心算法框图：
头皮脑电典型伪迹干扰和BECT患者棘波的波形及分布：
脑电（EEG）、非线性能量（SNE）、形态学特征（MC）波形对比：
所提出算法与对比算法检测效果：
