华盛顿大学圣路易斯麦克凯维工程学院的研究人员将人工智能与系统理论相结合，以开发出一种更有效的方法来实时检测和准确识别癫痫发作。

他们的结果发表在5月26日的《科学报告》杂志上。

这项研究来自Preston M. Green电气与系统工程系教授Jr-Shin Li的实验室，由Li实验室的博士后研究员Walter Bomela领导。

在研究小组中的还有王硕，他以前是李的学生，现在是德州大学阿灵顿分校的助理教授，还有东北大学的楚安安。

Bomela说：“我们的技术使我们能够获取原始数据，对其进行处理并提取出一个功能，该信息对于机器学习模型的使用更为有用。”“我们方法的主要优点是将来自23个电极的信号融合到一个参数上，该参数可以用更少的计算资源进行有效处理。”

在脑科学中，目前对大多数癫痫发作的理解是，当正常的大脑活动被一组神经元突然强烈的超同步放电中断时，就会发生癫痫发作。癫痫发作期间，如果将人连接到脑电图仪(一种称为EEG的用于测量电输出的设备)，则异常的大脑活动会表现为尖峰波放电。

Bomela说：“但是，当使用临时性EEG信号时，癫痫发作的检测精度不是很好。”该小组开发了一种网络推理技术，以促进癫痫发作的检测并以更高的准确性查明其位置。

在脑电图会议期间，一个人的电极贴在他/她头部的不同部位，每个电极记录该部位周围的电活动。

“我们将EEG电极视为网络的节点。利用每个节点的记录(时间序列数据)，我们开发了一种数据驱动的方法来推断网络中的时变连接或节点之间的关系，” Bomela说。网络技术不仅仅考虑EEG数据(单个信号的峰值和强度)，而是考虑关系。他说：“我们想推断出大脑区域是如何与他人互动的。”

这些关系的总和构成了网络。

建立网络后，可以整体测量其参数。例如，代替测量单个信号的强度，可以评估整个网络的强度。有一个参数称为Fiedler特征值，它特别有用。“当发生癫痫发作时，您会看到此参数开始增加，” Bomela说。

在网络理论中，Fiedler本征值也与网络的同步性有关-值越大，网络越同步。Bomela说：“这与癫痫发作期间大脑活动同步的理论是一致的。”

偏向同步还有助于消除伪影和背景噪声。例如，如果一个人擦伤了手臂，相关的大脑活动将被捕获在一些EEG电极或通道上。但是，它不会与癫痫发作活动同步。这样，这种网络结构会固有地降低无关信号的重要性。只有同步的大脑活动才会引起Fiedler特征值的显着增加。

当前，该技术适用于单个患者。下一步是整合机器学习以推广用于识别患者不同类型癫痫发作的技术。