KDD 2022 | 基于分层图扩散学习的癫痫波预测

题目：BrainNet：利用分层图扩散学习在 SEEG数据中预测癫痫波（BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning）

 

作者：陈俊儒（浙江大学），杨洋（浙江大学），余涛（浙江大学），范莹莹（浙江大学），莫晓龙（诺尔医疗），阳及（埃默里大学）

 

会议：28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining

 

癫痫是最常见的严重的神经系统疾病之一，其特征是神经生理活动异常，表征为癫痫发作或行为异常。截止到2021年，全球有超过6,500万癫痫患者，其中大约三分之一的癫痫患者对药物产生抗药性。换句话说，药物无法有效控制这些患者的病情，手术切除参与癫痫发作的大脑区域被认为是唯一有效的治疗方案。为了评估定位癫痫发作区(SOZ)或者所谓的癫痫病灶，并指导癫痫外科手术，记录患者大脑的放电活动是必要的手段。这种电生理监测方法通常有两种类型：皮质脑电图（EEG）和立体脑电图（SEEG）。前者是非侵入性的，而后者是侵入性的（即需要在脑内插入电极），因此也包含更多的深层立体信息。例如，当SOZ位于大脑的深层结构（例如海马或岛状体）中，或者癫痫发作的偏侧性未知时，非侵入式检测便无法定位确切的癫痫发作病灶，此时，SEEG方法是必要的。

 

为了促进癫痫治疗的发展，本文从研究团队合作的三甲医院处，收集到了一个基于真实患者记录的SEEG数据集，该数据集包含多个癫痫患者的高频多信道SEEG信号（平均每个患者有持续53小时、大小为77GB的记录）。基于这个数据集，本文进一步提出并研究了自动预测癫痫波的任务。本文以图1所示为例，进一步介绍本文研究问题的细节。图1（a）的顶部显示了一个人脑，该人脑的左上角插入了含有三个信道的电极。插入电极后，医生便可以收集和监视患者的SEEG数据；如图1（a）的底部所示，实际的SEEG数据可以被视为连续的多信道时间序列。获得SEEG数据后，本文的目标是构建一种自动的数据驱动的方法来确定出现癫痫波的时间和位置（在图1（a）中用黄色矩形标记）。