(Xiaonan Cui, Dinghan Hu, Jiuwen Cao*, Tianlei Wang, Tiejia Jiang, Feng Gao, Regional Scalp EEGs Analysis and Classification on Typical Childhood Epilepsy Syndromes, IEEE Transactions on Cognitive and Developmental Systems, 2022, published online)
癫痫综合征是一种神经系统疾病，以一组连和出现的症状和体征为特征，这些特征在综合征中可能包括常见的不同类型的癫痫发作。已知的癫痫综合征有很多，目前对癫痫综合征的有效诊断和治疗仍依赖于有经验的神经科医生。不同的癫痫综合征往往需要不同的对症治疗，因此准确的癫痫综合征分类至关重要。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，围绕四种常见的癫痫综合征（WEST、BECT、CAE和GEFS）以及两个正常对照组的长时监测脑电数据，全面分析了头皮脑电区域的时/频域特征与典型癫痫综合征之间的相关性，并提出基于迁移网络的癫痫综合征分类算法。研究中心梳理了浙江大学医学院附属儿童医院63名儿童患者及其对照组的脑电数据（CHZU）。相应的研究论文“Regional Scalp EEGs Analysis and Classification on Typical Childhood Epilepsy Syndromes”近期被IEEE Transactions on Cognitive and Developmental Systems录用。
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，远比癫痫发作复杂。头皮脑电图（EEG）为癫痫综合征的临床诊断提供了有利的依据。目前很少研究区域头皮脑电图特征与典型癫痫综合征的相关性。在本文中，我们对区域头皮脑电的时域/频域特征与典型癫痫综合征之间的相关性进行了综合分析。对63名患有典型癫痫综合征儿童和19名正常对照组儿童的研究结果表明：1）额极区与额叶区特征非常相似，顶叶区与枕叶区特征相似，左右区无明显相关性； 2)偏态是最具有显著性差异的特征，LZC是对区分综合征类别贡献度最小的特征； 3）同一癫痫综合征的不同个体有相似之处，而不同综合征的EEG特征有明显差异。我们将特征分析的结论作为特征选择的理论基础，并利用基于方差的特征选择法对LZC特征进行筛选，对比特征选择选择前后基于迁移网络的综合征分类模型的性能，验证了特征分析的正确性和特征选择的有效性，从而对提出的模型达到优化的目的。
论文第一作者为2021级博士研究生崔小南，通讯作者为指导老师曹九稳教授，研究获得了国家自然科学基金重点、科技部重点研发、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：
不同区域癫痫综合征/正常对照组MFCC特征的箱线图：
特征选择前后不同迁移模型分类的准确率混淆矩阵：
