基于单神经元放电记录技术和信号处理方法的癫痫发病预测研究

Epilepsy is one of the most prevalent neurological disorders and seizure is one of the most dangers, affecting approximately 50 million people worldwide. Joint efforts from clinicians, neuroscientists, mathematicians, physicist, and engineers devoted to this very challenging epileptic seizure predication research field have been underway for the last 3 decades. Accurate seizure predication would enable clinicians to provide well-time treatments or electrical brain stimulation to inhibit the seizure onset. Currently, brain activity recording technique and data analysis are the only solutions to predict seizures. Up to now, seizure prediction has been based on EEG recordings which reflect postsynaptic potentials of a large number of synchronized neurons, but due to the low resolution of EEG data the accurate prediction of seizures still remains a challenging task to apply in real. In order to improve the accuracy rate of seizure prediction, our research will use a novel recording technique simultaneously collect single neuron spikes in multiple brain regions to combine with mathematical analysis, statistical methods and signal processing theory, which will compare neuron activities between pre-ictal and inter-ictal periods to search the specific signals to accurately predict the onset of seizures. This proposed study is the first to our knowledge to apply single neuron recording technology to seizure prediction research, which recording can deeply decode information of neuron activities. We plan to establish a more reliable seizure prediction method and to lay a foundation for future translational research that may ultimately lead to an effective treatment for millions of patients with intractable epilepsy.

全球五千万的癫痫患者和癫痫突发的高危性使癫痫发病预测在过去30年中成为临床医生、神经生物学家、数学家、物理学家及工程师们一直合力挑战的研究课题。准确的癫痫发病预测使临床医生能及时地提供治疗或脑电刺激抑制癫痫发病。目前脑电信号的记录和分析被认为是预测癫痫发病的唯一手段，但是一直基于脑电图（EEG）记录的预测研究由于其信号反映的是大量同步神经元的电位和且分辨率较低，所以未达到可应用的准确预测率。以提高癫痫发病预测准确率为目标，本课题将利用一种新的、高分辨率、首次用于癫痫预测研究领域的多脑区、单细胞放电记录技术，通过数学、统计学和信号处理等方法比较癫痫发病前期的脑电信号和正常状态下的脑电信号差异，从而获得与癫痫发病相关的神经元异常放电信号并对癫痫发病进行准确的预测。本课题将基于这一能精确解码神经放电的记录技术建立一个准确可靠的癫痫发病预测模型，为癫痫发病预测的临床应用和电刺激治疗提供理论基础。

本课题基于自发癫痫的动物模型通过多脑区单神经元（single unit）同步记录技术采集单神经元放电信号，局部电位（LFP：local field potential）和EEG数据，利用数学、统计学、信号处理和信息处理的理论和方法这些信号中寻找可用于癫痫发病预测的特征信号或信号的时频特性。并且通过分析这些特殊信号或信号特性得到一个稳定的、准确的癫痫发病预测算法。.单神经元信号采集于大鼠的pilocarpine的自发癫痫模型，通过分析自发癫痫发作前其过程单个神经元活动中的变化及癫痫发作前期放电频率（firing rate）和放电模式的变化分析癫痫发病前的相关脑电信号活动特征，在研究癫痫发病的机理同时为预测算法提供基本的神经活动理论基础。在基本的神经活动分析之外，本课题通过分析不同神经元之间以及不同脑区之前的神经活动，讨论了同步的神经活动和癫痫发病前信息流的传递与癫痫发病机理的关系，以及癫痫发病的可预测性。.基于病人EEG信号的癫痫发病预测算法研究，数据来源于波士顿儿童医院的开源数据库，本课题在动物模型研究的基础上，结合信号预处理算法和模式识别算法构建了癫痫发病预测算法。其中信号预处理算法以EEG信号的特定频段的能量为特征，先后分别使用了小波分解和谱功率的方法对EEG的能量特征进行提取。而模式识别算法主要以支持向量机为基础，对提取的特征数据进行分类训练和测试。二部分算法结合的目的是期望能够通过信号预处理算法提高模式识别算法在癫痫发病预测过程中的准确率，并尽可能降低虚警概率。而不同的算法组合是希望能够设计出针对基于头皮EEG信号的癫痫发病预测更为适用的预测算法。研究结果表明，使用小波能量对癫痫发作前和发作间期的EEG信号进行分析，其0.5~8 Hz频段的能量会在癫痫发作前2000秒左右有明显的提高。本文使用相对小波能量和支持向量机对该特征进行分析和预测，测试了9个病人的EEG数据，结果表明应用相对小波能量和支持向量机，算法可以准确预测出部分癫痫患者的癫痫发作，但仍有个别病人的误差较大。在信号预处理部分去掉小波变换后，使用谱功率对癫痫发作前的特征进行提取，并使用支持向量机进行分类训练和测试，结果表明在使用谱功率之后，算法的预测准确率对比相对小波能量有6个病人的测试数据有明显的提升。