基于非线性动力学驱动的癫痫发作预测深度学习研究

The accurate prediction of seizures will revolutionize the internal and surgical treatment of epilepsy. However, it is still problematic to achieve enough accuracy, efficiency, and stability of the prediction. The applicant successfully constructed EEG phase space and chaotic attractors in epilepsy patients based on the theory of nonlinear dynamics, used the related features and machine learning to create good seizure prediction models. In this study, we plan to do the research as following: Create deep learning models to detect the pre-ictal period by combining the methods of non-linear dynamics and deep learning together, and coupling weakly supervised model and strongly supervised model together. Create multi-modal deep learning models for seizure prediction by inputting the EEG, EMG, ECG, patient monitoring video together, extracting their spatial and temporal features, and outputting the recognization of pre-ictal period. Finally create new prediction models and warning systems with great advantages of accuracy, efficiency, and stability, which can support the research on epilepsy and the daily monitoring of epileptic patients. The study above will support the study on the theories and methods of applying deep learning to the field of medical big data. In addition, it will also benefit the study on the mechanisms about brain and epilepsy.

癫痫发作的准确预测将使其临床内外科处理发生变革，但要实现准确、快速、稳定的预测仍存在诸多难题。申请人前期基于非线性动力学理论方法，成功构建癫痫患者脑电信号相空间并发现混沌吸引子，用多个特征指标与机器学习建立预测模型并取得较好预测效果。本项目计划有机融合非线性动力学与深度学习方法，建立具有鲁棒性的弱监督与强监督相结合的深度学习框架，构建癫痫EEG发作前期自动识别综合模型；通过临床长时程多导联EEG、心电、肌电、监护视频以及电子病历等多模态数据的融合分析，学习发作前期多模态时空特征，研究构建多模态的深度学习发作预测模型，并进行跨模态关联研究；进而建立癫痫发作的新型综合预测模型及预警系统，提升癫痫发作预测的准确性、高效性和稳定性，支持临床癫痫发作的相关创新研究和病人日常实时监测。通过以上工作将支持面向低质量标注、弱标注的健康医疗大数据的深度学习理论与方法的研究，以及促进大脑的癫痫发病机制研究。

癫痫发病过程中脑电信号变化是其脑内复杂活动的动力学反映。本课题对癫痫发病过程中脑电的非线性指标变换进行研究，构建多种深度学习模型，实现准确有效的癫痫发作前期识别；面向多模态临床数据，开发新的数据挖掘算法，提高弱标注数据的质量；研究中，我们还收集了癫痫的文本数据，能够实现癫痫知识图谱的构建与实体识别。本研究对于辅助临床癫痫诊断、治疗具有理论与实际应用价值。本项目获得系列主要研究成果如下：.（1）深度学习驱动非线性动力学的癫痫前期识别研究：采用李雅普诺夫指数、相关维度、熵等非线性动力学指标，实现发作间期、发作前期和发作期的脑电特征的区分和标注，提高数据标注质量；构建三维卷积神经网络，卷积循环神经网络等模型，实现癫痫发作期脑电信号的准确识别。.（2）基于多模态数据的癫痫发病机制研究：基于非线性动力学量化全电极脑电的长期统计独立性，通过寻找核心节点揭示癫痫样活动的主要途径；通过映射脑电非线性特征的同步来构建动态脑网络，探索癫痫发作路径传播计算方法；进行多源知识融合，构建支持癫痫发病机制研究的知识图谱，完成癫痫电子病历的命名实体识别，并构建面向诊断与分析的知识共享接口服务模式和工具。.（3）面向低质量脑电的鲁棒深度学习研究：针对临床数据信息缺失率较大的问题，开发新的数据挖掘算法，引入切片思想，构建局部k近邻缺失值插补系统，提高临床数据的利用率；对全导联脑电信号进行特征提取，利用注意力机制实现导联优化；对长期递归卷积网络、图神经网络进行改进，提出多尺度预警策略及基于片段和基于事件的癫痫脑电双重评价的评价体系，基于改进的网络实现端到端的癫痫发作高灵敏度，低误报率预警。