我國有高達900萬的癲癇受累人群，其中500-600萬是活動性癲癇患者，且每年新發(fā)約40萬例，已成為神經(jīng)科僅次于頭痛的第二大常見病。且癲癇是兒童期常見的神經(jīng)系統(tǒng)疾病，我國0-14歲兒童癲癇的患病率達3.45‰，其中5歲以內(nèi)起病占50%左右。癲癇病作為一種慢性疾病，雖然短期內(nèi)對患者沒有多大的影響，但是長期頻繁的發(fā)作可對患者的身心、智力產(chǎn)生嚴重影響，存在精神危害、認知障礙及生命危害等隱患。

作為醫(yī)生確定癲癇患者的病種分類和調(diào)整治療方案的重要依據(jù)，腦電圖的監(jiān)測結(jié)果具有重大的臨床意義。但在真實臨床場景下，還存在患者多、專家少、監(jiān)測時間長等問題。據(jù)行業(yè)人士估算，全國具有較高水平的腦電圖分析人員不超過1000人，因為培養(yǎng)一名成熟的腦電分析專家，需要大量臨床經(jīng)驗和多年專業(yè)培訓，多數(shù)基層醫(yī)療機構(gòu)往往不具備這樣的條件。中國抗癲癇協(xié)會發(fā)布的《癲癇臨床治療指南》(2015年)指出，根據(jù)癲癇發(fā)作的控制情況，患者每半年至1年就要復(fù)查1次腦電圖；若病情控制得不好，則需不定期或隨時復(fù)查，每次監(jiān)測的時長從2小時至24小時不等。醫(yī)生分析癲癇患者2小時的腦電圖約需25-40分鐘，需將大量精力消耗在查找異常放電上。

在武漢市應(yīng)用基礎(chǔ)前沿項目“基于頭皮腦電圖的小兒癲癇自動分類與病灶定位”支持下，提出深度學習、遷移學習等多種機器學習算法，用于基于頭皮腦電的癲癇檢測與分類，尤其是小兒癲癇。首先判斷有無癲癇？如果有，是局灶性發(fā)作還是全面性發(fā)作？如果是全面性發(fā)作，進一步判斷其具體類型，如強直發(fā)作、失神發(fā)作等。

· 多模態(tài)融合和多核知識遷移。首先利用lp范式約束把單核嶺回歸拓展到多核嶺回歸，以更好利用多模態(tài)數(shù)據(jù)中的互補信息。然后利用邊緣概率分布適配來最小化源域和目標域之間的分布差異，解決訓練數(shù)據(jù)不足的問題。

· 基于EEGNet的精簡深度神經(jīng)網(wǎng)絡(luò)，降低EEG癲癇亞型分類中所需的帶標簽數(shù)據(jù)量。使用正弦編碼的時域信息增強模塊來對齊EEGNet的第一層。同時進行自動超參數(shù)選擇策略。

· 基于Transformer的自監(jiān)督學習模型用于EEG癲癇亞型分類，解決EEG數(shù)據(jù)的長時程依賴和訓練數(shù)據(jù)不足的問題。首先使用濾波器組分析來把視覺Transformer轉(zhuǎn)換為小波Transformer編碼器，產(chǎn)生EEG信號的多粒度特征表示。然后使用自監(jiān)督學習來使用無標注數(shù)據(jù)預(yù)訓練小波Transformer。

· 基于決策樹梯度提升機的半監(jiān)督遷移提升機(SS-TrBoosting)無源域域適配(SFDA)，使用預(yù)訓練源域模型而非源域數(shù)據(jù)來實現(xiàn)隱私保護遷移學習。SS-TrBoosting在保護用戶隱私的前提下減少對新用戶校準數(shù)據(jù)量的需求，適合EEG癲癇亞型分類。進一步拓展到無監(jiān)督遷移學習，即新用戶無需任何標注數(shù)據(jù)。

在自己采集的武漢兒童醫(yī)院癲癇亞型分類數(shù)據(jù)集上，所提出的TIE-EEGNet 癲癇亞型4分類均衡分類準確度57.5%，F(xiàn)1 0.615；Wavelet2Vec 癲癇亞型4分類均衡分類準確度67%，F(xiàn)1 0.68，均超過當時最優(yōu)算法。

現(xiàn)有技術(shù)一般只區(qū)分有無癲癇，該技術(shù)可以進一步區(qū)分癲癇亞型。且現(xiàn)有技術(shù)一般關(guān)注成人癲癇診斷，該項技術(shù)可實現(xiàn)兒童癲癇診斷。

研發(fā)階段

本項目提出用于癲癇亞型分類的隱私保護遷移學習方法，同時解決新用戶訓練數(shù)據(jù)不足和老用戶隱私保護問題，節(jié)省醫(yī)生時間。在歐盟《通用數(shù)據(jù)保護條例》和中國《個人信息保護法》都要求嚴格保護用戶隱私的大背景下，具有廣闊的應(yīng)用前景。

知識產(chǎn)權(quán)：

該成果包括多項已授權(quán)中國發(fā)明專利。

合作方式：