（Tiejia Jiang, Zhendi Xu, Jiuwen Cao*, Zihang Bao, Feng Gao, Junfeng Zhang, and Pierre-Pual Vidal, BECT Spike Detection based on Novel Multi-channel Data Weighted Fusion Algorithm, IEEE Transactions on Circuits and Systems II: Express Briefs, 2022, published online）
在伴中央-颞叶棘波的良性儿童癫痫（BECT）患者治疗诊断中，脑电棘波放电的检测和相关参数的统计是必不可少的一步。现有主流棘波检测方法缺少对棘波多通道间信号关联性的分析，导致对小波幅模糊样本的大量误判，将有可能影响后续的相关参数计算和诊断流程。
我院人机混合智能与智慧健康研究中心与浙江大学医学院附属儿童医院合作，在BECT患者脑电棘波智能检测方向的研究论文“BECT Spike Detection based on Novel Multi-channel Data Weighted Fusion Algorithm”被IEEE神经系统与康复工程顶级期刊IEEE Transactions on Circuits and Systems II: Express Briefs录用。该研究有效解决了多通道脑电数据下小波幅模糊样本分类检测检测问题，提出了一种新的多通道脑电棘波检测算法。
由于BECT患者的生理、病理状况不同，通过头皮电极监测所得的棘波放电信号波形、振幅等特征存在一定的差异性，如何区分由于本身放电强度低或远离放电源等原因所导致的小波幅棘波与高波幅背景波形是当前难点之一，因此合理利用棘波放电在多通道脑电数据上的分布特征是十分重要的。另外，如何在整段信号中快速筛选疑似为棘波的候选样本也是棘波检测方法的必要前提，其能够有效降低分类计算量，为方法应用落地提供坚实基础。针对以上问题，论文提出了如下的解决方案：1）采用包含两步的多通道棘波候选样本筛选方法，分别为基于棘波波形特征的初筛和基于棘波“针锋相对”特征的二次筛选，在保证0.47%的低漏报率的前提下，快速有效地筛选出棘波候选样本，过筛样本正负样本比例为1：2.43；2）提出了一种多通道数据融合算法，根据多通道样本各通道数据的振幅、波形和源距离特征计算权重，并基于加权算法由多通道样本生成单通道样本，有效保留多通道数据特征的同时进行了数据降维，大大降低了算法复杂度；3）采用所提的基于时间序列特征和长短时记忆神经网络的棘波分类方法完成样本分类工作。论文提出的检测算法在浙江大学医学院附属儿童医院15例受试者的临床数据上得到了验证。
浙江大学医学院附属儿童医院蒋铁甲医生与杭州电子科技大学人机混合智能与智慧健康研究中心研究生徐镇迪为论文共同第一作者，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：
多通道样本数据融合方法示意图：
算法检测结果示意图：
