华盛顿大学圣路易斯McKeevey工程学院的研究人员将人工智能与系统理论相结合，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日出版的《科学报告》杂志上。

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

研究团队中还有，李以前的学生，现在是阿灵顿德克萨斯大学的助理教授，和东北大学的褚安安。

博梅拉说，“我们的技术使我们能够获得原始数据，对其进行处理并提取一个函数，这对机器学习模型的使用更有用。”“我们方法的主要优点是将23个电极的信号融合为一个参数，可以用较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而强烈的超同步放电中断时，就会发生癫痫发作。在癫痫发作期间，如果一个人连接到脑电图仪(一种称为EEG的用于测量电输出的设备)，异常的大脑活动将显示为棘波放电。

Bomela说，“然而，当使用临时脑电图信号时，癫痫发作的检测准确性不是很好。”该小组开发了一种网络推理技术，以促进对癫痫发作的检测，并以更高的准确度找出其位置。

在脑电图会议期间，一个人的电极被连接到他/她的头部的不同部位，每个电极记录该部位周围的电活动。

“我们将脑电图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节点之间的时变连接或关系，”Bomela说。网络技术不仅考虑脑电数据(单个信号的峰值和强度)，还考虑关系。他说，“我们想推断大脑区域如何与他人互动。”

这些关系的总和构成了一个网络。

网络建立后，可以整体测量其参数。例如，可以评估整个网络的强度，而不是测量单个信号的强度。有一个参数叫菲德勒特征值，特别有用。“当癫痫发作时，你会看到这个参数开始增加，”Bomela说。

在网络理论中，菲德勒特征值还与网络的同步性有关——值越大，网络越同步。“这与癫痫发作时大脑活动同步的理论是一致的，”博梅拉说

偏差也有助于消除伪像和背景噪声。例如，如果一个人挠他的手臂，相关的大脑活动将在一些脑电图电极或通道上被捕获。但是，它不会与癫痫活动同步。这样，这种网络结构将固有地降低不相关信号的重要性。只有同步的大脑活动才能引起菲德勒特征值的显著增加。

目前，这种技术适用于单个患者。下一步是整合机器学习，以促进用于识别患者不同类型癫痫发作的技术。