（Runze Zheng∗, Jiuwen Cao†, Senior Member, IEEE, Yuanmeng Feng, Xiaodan Zhao, Tiejia Jiang∗, and Feng Gao，Seizure Prediction Analysis of Infantile Spasms, IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2022, published online）
婴儿痉挛症是一种常见的儿童癫痫疾病，其因突发性、复发性、频发性等特点对于儿童的脑发育十分危险。同时其发作时并没有提前的预兆，因此如何有效的预测其发作一直以来十分具有挑战。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“Seizure Prediction Analysis of Infantile Spasms”被IEEE神经系统与康复工程顶级期刊IEEE Transactions on Neural Systems & Rehabilitation Engineering录用。
婴儿痉挛症（IS）是一种典型全面性发作的儿童癫痫疾病。其的突发性、频繁性和复杂性特点是导致猝死、严重合并症和其他不良后果的主要原因。有效的预测对婴儿痉挛症患者非常关键，但过去很少有相关研究。为了解决这个问题，本研究通过结合统计分析和深度学习模型，提出了一个婴儿痉挛症的发作预测框架。分析是在将连续的头皮脑电图（sEEG）分为5个阶段进行的。发作间期，发作前期，发作预测期地平线（SPH），癫痫发作，和发作后。构建了5个典型脑节律的相位锁定值（PLV）的脑网络，并通过统计方法分析了癫痫变化的机制。研究发现：1）前额叶、枕叶和中枢区之间的联系在癫痫发作的每个阶段都表现出较大的变异性；2）脑节律的4个子带（θ、α、β、γ）占优势。通过对25名婴儿痉挛症患者的数据使用Resnet18深度模型来验证组间和个体的差异性，可以观察到统计分析的一致结果。优化后的模型分别达到了79.78%、94.46%、75.46%的平均准确性、特异性和召回率。该方法完成了对婴儿痉挛机制、模型、数据和算法之间的协同分析，为建立智能和系统的IS发作综合预测模型提供了指导。
论文共同第一作者为研究生郑润泽，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：
数据预处理框图：
脑网络统计特征描述：
统计分析关联矩阵：
深度学习模型学习结果：
