（Meng Wang, Jianhui Wang, Xiaonan Cui, Tianlei Wang, Tiejia Jiang , Feng Gao, and Jiuwen Cao*, Multi-dimensional Feature Optimization based Eye Blink Detection under Epileptiform Discharges, IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2022, published online）
由于眨眼伪迹的波形与痫样放电十分相似，在癫痫患者的头皮脑电图中进行眨眼伪迹检测是非常具有挑战性的。但是主流眨眼伪迹检测方法往往都忽略了痫样放电筛选，致使信号误判进而严重影响癫痫疾病的诊断。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患者脑电眨眼伪迹智能检测方向的研究论文“Multi-dimensional Feature Optimization based Eye Blink Detection under Epileptiform Discharges”被IEEE神经系统与康复工程顶级期刊IEEE Transactions on Neural Systems & Rehabilitation Engineering录用。该研究有效解决了癫痫患者带有高频波动的痫样放电筛选与眨眼伪迹检测问题，提出了一种新的痫样放电背景下的脑电眨眼伪迹检测算法。
在脑电图记录当中，眨眼伪迹通常是不可避免的。同时眨眼的波形特征类似于神经系统疾病引起的神经元放电，比如癫痫患者脑电图当中的痫样放电，并且带有高频波动的痫样放电的识别也是当前难点之一，因此在痫样放电背景下精准识别出眨眼伪迹至关重要。另外，当前主流的VME-DWT方法提出利用阈值方法进行眨眼伪迹检测，但是其在脑电信号发生整体性偏移或者一定持续时间内多个眨眼伪迹连续存在时会出现阈值计算失效而严重漏检的问题。针对以上问题，论文提出了如下的解决方案：1）采用VME方法平滑脑电信号，减少局部高频波动，并结合单调递增斜率序列特征提取，进一步在痫样放电筛选时优化特征，以适应带有高频波动的痫样放电信号的筛选，提高筛选准确率和适应更为复杂的脑电环境；2）提出了一种改进的阈值计算方法，利用脑电信号的差值代替原始信号作为通用阈值计算的数据来源，优化了VME-DWT的阈值推导公式，并将阈值特征作为完整特征序列的一维进行基于SVM的眨眼伪迹检测。论文提出的检测算法在浙江大学医学院附属儿童医院16例受试者的临床数据上得到了验证。
论文共同第一作者为研究生王猛和王建辉，通讯作者为指导教师曹九稳教授，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：
痫样放电筛选算法框图：
VME滤波后的痫样放电、眨眼伪迹、正常脑电信号：
多维统计特征描述：
无监督聚类结果：
眨眼伪迹检测算法框图：
改进的阈值计算方法分析：
