(Xiaonan Cui, Dinghan Hu, Peng Lin*, Jiuwen Cao*, Xiaoping Lai, Tianlei Wang, Tiejia Jiang, Feng Gao, Deep Feature Fusion based Childhood Epilepsy Syndrome Classification from Electroencephalogram, Neural Networks, 2022, published online)
癫痫综合征是典型的儿童神经系统疾病，包括常见的不同类型的癫痫发作，但比癫痫发作更为复杂。儿童癫痫综合征的准确分类对癫痫的诊断和治疗至关重要。由此，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癫痫综合征智能分类领域展开了深入的研究，围绕两种常见的癫痫综合征（WEST和BECT）以及与其患者年龄匹配两种正常对照组的长时监测脑电数据，提出了基于深度迁移学习的特征融合模型，并构建全连接网络的综合征智能分类模型。研究中心梳理了浙江大学医学院附属儿童医院60名儿童患者及其对照组的脑电大数据（CHZU）。基于该癫痫脑电数据库的实验结果和研究表明，所提出的模型可以有效检测儿童癫痫综合征。相应的研究论文“Deep Feature Fusion based Childhood Epilepsy Syndrome Classification from Electroencephalogram”近期被神经网络顶级期刊Neural Networks录用。
癫痫综合征是指由一组特定的临床表现和脑电图（EEG）变化组成的癫痫性疾病，严重威胁儿童的生长和大脑发育，并且可能导致灾难性的神经系统后遗症。据统计，约50%~70%的癫痫性疾病可归入已知的癫痫综合征，癫痫综合征的准确判别是精准治疗的主要依据。目前关于癫痫综合征的研究通常只分析单一的综合征，很少有研究将癫痫综合征患儿与不同年龄段的正常儿童的EEG进行对比分析。对此，本论文对浙江大学医学院附属儿童医院记录的两种癫痫综合征以及对应的不同年龄段的正常组进行分类研究。提出基于EEG时频特征和VGG16深度迁移网络学习的特征融合模型，将得到的深度融合特征用于癫痫综合征的EEG表征，并构造一个全连接网络进行特征学习和综合征分类，主要内容与创新点包括：1）利用MFCC+LPCC和WPFs+SFs的融合特征，提出基于VGG16深度迁移网络的特征融合和全连接网络用于癫痫综合征分类，并将RP伪迹检测算法嵌入其中用于检测并剔除EEG中的伪迹成分；2）通过多组对比试验证明，所提出的癫痫综合征分类算法具有较好的性能，且采用RP伪迹检测算法后模型分类准确率明显提升。
论文第一作者为2021级博士研究生崔小南和2021届博士毕业生胡丁寒，通讯作者为指导老师曹九稳教授、林鹏老师，研究获得了国家自然科学基金重点、科技部重点研发、浙江省重点研发与浙江省重点基金的资助。
算法核心框架图：
RP伪迹检测流程图：
RP伪迹检测算法嵌入前后所提出分类算法的性能对比：
（a）伪迹剔除前 （b）伪迹剔除后
所提出分类算法在2名癫痫综合征患儿EEG信号的实时表现：
