DOI: https://doi.org/10.1371/journal.pone.0344164
PMID: https://pubmed.ncbi.nlm.nih.gov/41801930
تاريخ النشر: 2026-03-09
المؤلف: Yongxin Sun وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول ورقة البحث التحديات المرتبطة بالطرق التقليدية للكشف عن الصرع من خلال إشارات تخطيط الدماغ الكهربائي (EEG)، مع التركيز بشكل خاص على قضايا قابلية تفسير النموذج والتعميم. يقترح المؤلفون إطار عمل جديد للتعلم الآلي يدمج ميزات منخفضة الأبعاد مستمدة من الخصائص الفسيولوجية لنوبات الصرع. يتضمن هذا الدمج للميزات ميزات مرضية وميزات ديناميكية غير خطية، والتي تتماشى مع الطبيعة المرضية الفسيولوجية لإشارات EEG مع تقليل التكرار من الميزات المعقدة. يظهر الإطار أداء تصنيف مستقر عبر مجموعات بيانات عامة متعددة باستخدام خمسة مصنفات: آلة الدعم الناقل (SVM)، وغابة عشوائية (RF)، وشجرة قرار (DT)، وأقرب الجيران (KNN)، وتعزيز التدرج المتطرف (XGB)، مما يشير إلى قوته التمييزية ومرونته لتطبيقات متنوعة.
بالإضافة إلى ذلك، تستخدم الدراسة تحليل قابلية تفسير شاب لتوضيح عملية اتخاذ القرار للنموذج، مع تسليط الضوء على مساهمة كل ميزة عبر مراحل النوبة المختلفة. بينما يظهر النموذج معدل كشف عام مرتفع في التحقق عبر مجموعات البيانات، إلا أنه يظهر انخفاضًا طفيفًا في الأداء مقارنةً بتقييمات مجموعة البيانات الفردية، مما يبرز قابليته للتكيف عبر المجالات. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك أحجام العينات الصغيرة لمجموعات البيانات المجانية واستخدام تقسيمات ثابتة الطول، والتي قد لا تلتقط الخصائص الديناميكية لإشارات EEG بشكل فعال. يُوصى بإجراء أبحاث مستقبلية لاستكشاف تقنيات تقسيم متكيفة والتحقق من النموذج باستخدام بيانات EEG طويلة الأمد واسعة النطاق لتعزيز الخصوصية والدقة في استخراج الميزات.
مقدمة
تتناول مقدمة ورقة البحث الانتشار العالمي الكبير للصرع، الذي يؤثر على حوالي 70 مليون فرد عبر جميع الفئات السكانية. وتبرز أن الصرع ينشأ من تفريغات عصبية غير طبيعية، مما يؤدي إلى خلل عصبي متكرر، والذي يمكن أن يؤدي إلى فقدان الذاكرة وتدهور إدراكي. تقدر منظمة الصحة العالمية أن 70% من مرضى الصرع يمكنهم تحقيق حرية من النوبات مع التشخيص والعلاج الدقيق، مما يبرز الدور الحاسم لطرق الكشف الدقيقة. يتم تقديم السياق التاريخي من خلال العمل الرائد لهانس برجر في عام 1924 حول تخطيط الدماغ الكهربائي (EEG)، الذي وضع الأساس لتشخيص الصرع من خلال تحديد التغيرات المهمة في EEG أثناء النوبات، كما أكدت ذلك الرابطة الدولية لمكافحة الصرع في عام 1981.
تقوم الورقة أيضًا بتصنيف إشارات EEG إلى ثلاث مراحل متميزة: ما قبل النوبة (الفترة التي تسبق النوبة)، والنوبة (النوبة نفسها)، وما بين النوبات (الفترة غير العرضية بين النوبات). إن الكشف في الوقت المناسب عن المرحلة ما قبل النوبة أمر بالغ الأهمية لاستعداد المريض. ومع ذلك، فإن الاعتماد الحالي على تحليل EEG اليدوي يستغرق وقتًا طويلاً وذاتيًا، مما يستدعي استكشاف طرق الكشف الآلي عن الصرع باستخدام التعلم الآلي. تشمل هذه الطرق عدة خطوات، بما في ذلك معالجة إشارات EEG واستخراج الميزات، حيث تعتبر الأخيرة حاسمة لأداء المصنف. تختتم المقدمة بالإشارة إلى توفر مجموعة بيانات EEG من مركز دلهي للنوم لمزيد من البحث في هذا المجال.
الطرق
توضح هذه القسم المنهجية المستخدمة في نظام الكشف عن نوبات الصرع المقترح، كما هو موضح في الشكل 1. تفصل سير العمل لهندسة النظام وتؤكد على التصميم التجريبي المقارن المستخدم للتحقق من فعالية النموذج المقترح مقارنةً بأساليب الكشف عن الصرع الحالية. تشمل هذه الأساليب طرق التعلم الآلي القائمة على استخراج الميزات وطرق التعلم العميق، بالإضافة إلى أساليب التعلم العميق من البداية إلى النهاية.
يكشف التحليل المقارن، المقدم في الجدول 4، أن الطرق التقليدية غالبًا ما تعتمد على عدد كبير من الميزات المختارة، مما يمكن أن يؤدي إلى تكرار المعلومات وزيادة تعقيد النموذج. على سبيل المثال، استخرجت الدراسات السابقة بين 10 إلى 14 ميزة، مما يتطلب عمليات اختيار ميزات إضافية لتعزيز أداء الكشف. في المقابل، تركز الطريقة المقترحة على عدد أقل من الميزات المستمدة من الخصائص الإحصائية للبيانات، مما يبسط عملية الكشف. تشير نتائج تقييمات عبر مجموعات البيانات، كما هو موضح في الجدول 3، إلى معدلات دقة واعدة، حيث حقق النموذج دقة قدرها 82.17% عند تدريبه على مجموعة بيانات BONN واختباره على مجموعة بيانات NDSC، ودقة قدرها 77.17% في السيناريو العكسي.
النتائج
تظهر نتائج الدراسة فعالية استراتيجية التصنيف القائمة على التعلم الآلي المقترحة في التمييز بين مقاطع EEG الخاصة بالنوبات وغير النوبات عبر مجموعتين من البيانات: مجموعة بيانات بون ومجموعة بيانات NDSC. في مجموعة بيانات بون، حققت المصنفات دقة عالية، حيث حققت الميزات المرضية مثل طاقة الموجات الحادة والدقيقة دقة قدرها 96.57%، 94.11%، و96.84% في مهام التصنيف المختلفة. عزز دمج الديناميات غير الخطية والميزات الديناميكية المتزايدة أداء التصنيف، خاصة في التمييز بين حالات الصرع المختلفة. بالنسبة لمجموعة بيانات NDSC، حقق نموذج XGBoost (XGB) دقة مثيرة للإعجاب بلغت 98.25% و95.33% لتصنيفات ما بين النوبات مقابل النوبة وما قبل النوبة مقابل النوبة، على التوالي، مما يبرز قدرة النموذج على التقاط تقلبات الطاقة لتفريغات الدماغ غير الطبيعية.
كشف التحقق عبر مجموعات البيانات أنه بينما انخفض أداء النموذج عند تدريبه على مجموعة بيانات واحدة واختباره على أخرى، إلا أنه لا يزال يحتفظ بدقة تصنيف قدرها 82.17% مع درجة F1 قدرها 81.14% عند استخدام مجموعة بيانات بون للتدريب ومجموعة بيانات NDSC للاختبار. يشير هذا إلى أن مجموعة الميزات المقترحة قوية وقابلة للتعميم عبر مجموعات بيانات مختلفة، مما يحدد الخصائص التمييزية المشتركة لإشارات EEG بشكل فعال. تسلط النتائج الضوء على إمكانية النموذج في أنظمة التعرف التلقائي عالية الدقة والموثوقية في الكشف عن الصرع، مؤكدة على الأهمية السريرية للميزات المحددة وقابليتها للتفسير في التمييز بين حالات النوبة.
المناقشة
في هذا القسم من المناقشة، يتناول المؤلفون التحديات المرتبطة بالطرق التقليدية لتحليل إشارات تخطيط الدماغ الكهربائي (EEG) للكشف عن الصرع، خاصة القيود في استخراج الميزات وقابلية التفسير. يبرزون أن الأساليب الحالية غالبًا ما تستخرج إما نوعًا واحدًا من الميزات، مما يفشل في التقاط تعقيد إشارات EEG، أو تولد عددًا كبيرًا من الميزات التي تتطلب عمليات اختيار معقدة، مما يؤدي إلى تحيزات محتملة وتقليل القابلية للتعميم. للتغلب على هذه المشكلات، يقترح المؤلفون إطار عمل منهجي يدمج المعرفة السريرية لتطوير مجموعة ميزات منخفضة الأبعاد تتكون من خمس ميزات قابلة للتفسير تمثل بفعالية الأنماط العصبية الفسيولوجية المرتبطة بنوبات الصرع.
تظهر الميزات المقترحة كفاءة حسابية وأهمية سريرية، مما يعزز قابلية تفسير النتائج. يتحقق المؤلفون من قوة وعمومية مجموعة ميزاتهم من خلال تقييمات واسعة النطاق على مجموعتين من البيانات العامة باستخدام مصنفات تعلم آلي متنوعة، محققين أداءً عاليًا متسقًا عبر النماذج. بالإضافة إلى ذلك، يقدمون إطارًا شاملاً لقابلية التفسير باستخدام تحليل SHAP لتوضيح مساهمات الميزات الفردية في توقعات النموذج، مما يوفر للأطباء رؤى قابلة للتنفيذ حول عملية اتخاذ القرار. تسهم هذه العمل بشكل كبير في هذا المجال من خلال تقديم نهج أكثر قابلية للتفسير وذو صلة سريرية للكشف عن الصرع، مما قد يسهل تحسين الممارسات التشخيصية.
DOI: https://doi.org/10.1371/journal.pone.0344164
PMID: https://pubmed.ncbi.nlm.nih.gov/41801930
Publication Date: 2026-03-09
Author(s): Yongxin Sun et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper addresses the challenges associated with conventional methods for detecting epilepsy through electroencephalogram (EEG) signals, particularly focusing on issues of model interpretability and generalization. The authors propose a novel machine learning framework that integrates low-dimensional features derived from the physiological characteristics of epileptic seizures. This feature amalgamation includes pathogenic features and nonlinear dynamic features, which align with the pathophysiological nature of EEG signals while reducing redundancy from complex features. The framework demonstrates stable classification performance across multiple public datasets using five classifiers: Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), k-Nearest Neighbors (KNN), and eXtreme Gradient Boosting (XGB), indicating its robust discriminative power and flexibility for various applications.
Additionally, the study employs Shap interpretability analysis to elucidate the model’s decision-making process, highlighting the contribution of each feature across different seizure stages. While the model shows a high overall detection rate in cross-dataset validation, it does exhibit a slight performance drop compared to single dataset evaluations, underscoring its adaptability across domains. However, the study acknowledges limitations, including the small sample sizes of the free datasets and the use of fixed-length segmentation, which may not effectively capture the dynamic properties of EEG signals. Future research is recommended to explore adaptive segmentation techniques and validate the model with extensive long-term EEG data to enhance specificity and precision in feature extraction.
Introduction
The introduction of the research paper addresses the significant global prevalence of epilepsy, affecting around 70 million individuals across all demographics. It highlights that epilepsy arises from abnormal neuronal discharges, leading to recurrent neurological dysfunction, which can result in memory loss and cognitive decline. The World Health Organization estimates that 70% of epilepsy patients can achieve seizure freedom with accurate diagnosis and treatment, emphasizing the critical role of precise detection methods. The historical context is provided by Hans Berger’s pioneering work in 1924 on electroencephalography (EEG), which laid the groundwork for epilepsy diagnosis through the identification of significant EEG changes during seizures, as confirmed by the International League Against Epilepsy in 1981.
The paper further categorizes EEG signals into three distinct phases: preictal (the period leading up to a seizure), ictal (the seizure itself), and interictal (the asymptomatic interval between seizures). Timely detection of the preictal phase is particularly crucial for patient preparedness. However, the current reliance on manual EEG analysis is time-consuming and subjective, necessitating the exploration of automated epilepsy detection methods using machine learning. These methods involve several steps, including EEG signal preprocessing and feature extraction, with the latter being pivotal for classifier performance. The introduction concludes by noting the availability of the Delhi Sleep Center EEG dataset for further research in this domain.
Methods
The section outlines the methodology employed in the proposed epilepsy seizure detection system, as illustrated in Figure 1. It details the workflow of the system architecture and emphasizes the comparative experimental design used to validate the effectiveness of the proposed model against existing epilepsy detection methods. These include feature extraction-based machine learning and deep learning methods, as well as end-to-end deep learning approaches.
The comparative analysis, presented in Table 4, reveals that traditional methods often rely on a large number of selected features, which can lead to information redundancy and increased model complexity. For instance, previous studies extracted between 10 to 14 features, necessitating additional feature selection processes to enhance detection performance. In contrast, the proposed method focuses on fewer features derived from the statistical properties of the data, thereby streamlining the detection process. The results of cross-dataset evaluations, as shown in Table 3, indicate promising accuracy rates, with the model achieving an accuracy of 82.17% when trained on the BONN dataset and tested on the NDSC dataset, and an accuracy of 77.17% in the reverse scenario.
Results
The results of the study demonstrate the effectiveness of the proposed machine learning classification strategy for distinguishing between seizure and non-seizure EEG segments across two datasets: the Bonn dataset and the NDSC dataset. In the Bonn dataset, the classifiers achieved high accuracies, with pathological features such as the energy of spike and sharp waves yielding accuracies of 96.57%, 94.11%, and 96.84% in various classification tasks. The integration of nonlinear dynamics and dynamic incremental features further enhanced classification performance, particularly in distinguishing between different states of epilepsy. For the NDSC dataset, the XGBoost (XGB) model achieved impressive accuracies of 98.25% and 95.33% for interictal vs. ictal and preictal vs. ictal classifications, respectively, underscoring the model’s ability to capture the energy fluctuations of abnormal cerebral discharges.
Cross-dataset validation revealed that while the model’s performance decreased when trained on one dataset and tested on another, it still maintained a classification accuracy of 82.17% with an F1 score of 81.14% when using the Bonn dataset for training and the NDSC dataset for testing. This indicates that the proposed feature combination is robust and generalizable across different datasets, effectively identifying shared discriminative characteristics of EEG signals. The findings highlight the model’s potential for high-precision and high-robust automatic identification systems in epilepsy detection, confirming the clinical relevance of the identified features and their interpretability in distinguishing between seizure states.
Discussion
In this discussion section, the authors address the challenges associated with traditional methods of analyzing electroencephalogram (EEG) signals for epilepsy detection, particularly the limitations in feature extraction and interpretability. They highlight that existing approaches often either extract a single type of feature, which fails to capture the complexity of EEG signals, or generate a large number of features that necessitate complex selection processes, leading to potential biases and reduced generalizability. To overcome these issues, the authors propose a systematic framework that integrates clinical knowledge to develop a low-dimensional feature set comprising five interpretable features that effectively represent the neurophysiological patterns associated with epileptic seizures.
The proposed features demonstrate computational efficiency and clinical relevance, enhancing the interpretability of the results. The authors validate the robustness and generalizability of their feature set through extensive evaluations on two public datasets using various machine learning classifiers, achieving consistent high performance across models. Additionally, they introduce a comprehensive interpretability framework utilizing SHAP analysis to elucidate the contributions of individual features to model predictions, thereby providing clinicians with actionable insights into the decision-making process. This work contributes significantly to the field by offering a more interpretable and clinically relevant approach to epilepsy detection, which could facilitate better diagnostic practices.