توقع النوبات القائم على EEG أحادي القناة باستخدام التعلم العميق Single-channel EEG-based seizure prediction using deep learning

شارك:
المجلة: Scientific Reports، المجلد: 16، العدد: 1
DOI: https://doi.org/10.1038/s41598-026-44670-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41932974
تاريخ النشر: 2026-04-03
المؤلف: Dabin Jang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر

نظرة عامة

تقدم هذه الدراسة نموذجًا جديدًا خفيف الوزن للتعلم العميق لتوقع النوبات باستخدام تخطيط الدماغ الكهربائي أحادي القناة، مع معالجة القيود التي تواجه الأساليب متعددة القنوات الحالية التي تعيق التطبيقات القابلة للارتداء والمنخفضة الطاقة. تم اشتقاق النموذج من بنية MobileNet المكونة من 37,985 معلمة، ويعالج طيف تحويل فورييه قصير المدى (STFT) وتم التحقق منه من خلال التحقق المتقاطع الخاص بالمرضى. حقق النموذج مقاييس أداء ملحوظة: في مجموعة SNUH، سجل النموذج دقة بنسبة 85.97%، ومعدل إيجابيات خاطئة (FPR) قدره 0.130، وحساسية بنسبة 94.93%، متوقعًا بنجاح 95.08% من النوبات خلال فترة حدوث النوبات التي تبلغ 30 دقيقة (SOP). حقق مجموعة بيانات CHB-MIT نتائج أعلى، حيث بلغت الدقة 90.72%، ومعدل إيجابيات خاطئة (FPR) قدره 0.092، وحساسية بنسبة 97.92%.

تؤكد النتائج على إمكانية استخدام تخطيط الدماغ الكهربائي أحادي القناة لتوقع النوبات بشكل موثوق ضمن أطر زمنية ذات صلة سريرية، مما يظهر أن النموذج الخفيف الوزن يمكن أن يتطابق مع أداء الأنظمة متعددة القنوات مع تقليل المتطلبات الحاسوبية بشكل كبير. تدعو الدراسة إلى إجراء أبحاث مستقبلية لتعزيز تنوع مجموعة البيانات، وتطوير استراتيجيات تعميم خاصة بالمرضى، وتحسين طرق النشر الموفرة للطاقة، مما يعزز من مكانة تخطيط الدماغ الكهربائي أحادي القناة كحل عملي لإدارة الصرع في الوقت الحقيقي.

مقدمة

تتناول مقدمة هذه الورقة البحثية التحدي الكبير للصرع، وهو اضطراب عصبي مزمن يؤثر على حوالي 50 مليون فرد على مستوى العالم. على الرغم من التقدم في خيارات العلاج، بما في ذلك التدخلات الدوائية والإجراءات الجراحية، لا يزال حوالي ثلث المرضى مقاومين لهذه العلاجات. يمكن أن تؤثر الطبيعة غير المتوقعة للنوبات بشكل كبير على الحياة اليومية للمرضى وصحتهم النفسية. وبالتالي، ظهرت تقنيات توقع النوبات كحل واعد، مما يمكّن المرضى من توقع النوبات وتقليل المخاطر المرتبطة بها، وبالتالي تحسين نوعية حياتهم.

لقد حسنت التطورات الأخيرة في الذكاء الاصطناعي (AI) بشكل ملحوظ من دقة توقع النوبات باستخدام إشارات تخطيط الدماغ الكهربائي (EEG). ومن الجدير بالذكر أن النماذج التي تستخدم تحويل فورييه قصير المدى (STFT) وآليات الانتباه قد حققت دقة تتجاوز 90%، بينما وصلت الهياكل المعتمدة على المحولات إلى قيم منطقة تحت المنحنى (AUC) تصل إلى 0.923. ومع ذلك، غالبًا ما تتطلب هذه الأساليب المتقدمة معالجة مسبقة واسعة النطاق وموارد حاسوبية، مما يحد من تطبيقها العملي في السياقات الزمنية الحقيقية أو القابلة للارتداء. لمعالجة هذا القيد، تقترح الدراسة نموذج تعلم عميق خفيف الوزن يعتمد على بنية MobileNet، مصمم لتحقيق الكفاءة وقادر على توقع النوبات باستخدام بيانات تخطيط الدماغ الكهربائي أحادي القناة. تهدف الورقة إلى تقييم أداء هذا النموذج على مجموعتين متميزتين من بيانات تخطيط الدماغ الكهربائي، ساعية في النهاية إلى تأسيس قاعدة لأنظمة مراقبة فعالة على المدى الطويل مناسبة للتطبيقات الواقعية.

طرق

تستعرض قسم “الطرق” من الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة تأثيراتها على النتائج ذات الصلة.

شمل جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، وتطبيق تقنيات مثل تحليل الانحدار وANOVA لتحديد الفروق والعلاقات المهمة بين المتغيرات. يبرز القسم أهمية القابلية للتكرار والصرامة في إعداد التجارب، موضحًا حسابات حجم العينة والمعايير لاختيار المشاركين لتعزيز قوة النتائج.

نتائج

يقدم قسم النتائج تقييم أداء النموذج من خلال بروتوكول التحقق المتقاطع الخاص بالموضوع Leave-One-Out Cross-Validation (LOOCV). تشمل مقاييس الأداء المبلغ عنها الدقة، ومعدل الإيجابيات الخاطئة (FPR)، والحساسية، والتي يتم حسابها كقيم متوسطة عبر جميع طيات التحقق المتقاطع لكل مريض. يضمن هذا النهج تقييم فعالية النموذج بطريقة قوية، مع الأخذ في الاعتبار التباين الفردي بين الموضوعات.

مناقشة

في هذه الدراسة، تم استخدام مجموعتين من بيانات تخطيط الدماغ الكهربائي—مجموعة بيانات مستشفى جامعة سيول الوطنية (SNUH) ومجموعة بيانات مستشفى الأطفال بوسطن-معهد ماساتشوستس للتكنولوجيا (CHB-MIT)—لتطوير وتقييم نموذج توقع النوبات. تضمنت مجموعة بيانات SNUH تسجيلات من 52 مريضًا يعانون من صرع بؤري مقاوم للعلاج، بينما شملت مجموعة بيانات CHB-MIT تسجيلات من 23 مريضًا أطفال. تم اختيار مجموعة محددة مسبقًا من ست قنوات EEG قابلة للاستخدام القابل للارتداء للتقييم أحادي القناة، مع التركيز على المناطق المرتبطة عادةً ببدء النوبات. لم تجد الدراسة أي اختلافات كبيرة في أداء التوقع عبر مناطق الدماغ المختلفة أو الجانبية، مما يعزز من صحة مجموعة القنوات المختارة. تم تدريب النموذج باستخدام مرضى لديهم على الأقل نوبتين موثقتين، مما أدى إلى تحليل نهائي لـ 62 نوبة من مجموعة بيانات SNUH و54 من مجموعة بيانات CHB-MIT.

استخدم النموذج بنية MobileNet خفيفة الوزن مصممة للبيانات أحادية القناة ذات الدقة المنخفضة، محققة دقة تنبؤية عالية بينما كانت مناسبة للنشر على الأجهزة المحمولة. تم تنفيذ التحقق المتقاطع الخاص بالمرضى لتأخذ في الاعتبار التباين بين المرضى في خصائص النوبات. تضمنت مقاييس التقييم دقة قائمة على القطاعات ومعدل الإيجابيات الخاطئة (FPR)، بالإضافة إلى حساسية قائمة على الأحداث. من الجدير بالذكر أن النموذج أظهر أداءً متفوقًا مع القنوات الجبهية، محققًا دقة قدرها 85.97% و90.72% لمجموعتي بيانات SNUH وCHB-MIT، على التوالي. كما قامت الدراسة بتقييم تأثير قرب القناة من بؤرة النوبة على أداء التوقع، ووجدت عدم وجود ميزة كبيرة للقنوات المتطابقة مع البؤرة في الدقة، على الرغم من أنها كانت مرتبطة بمعدل إيجابيات خاطئة أعلى. بشكل عام، تسلط النتائج الضوء على إمكانيات النموذج في توقع النوبات في الوقت الحقيقي، مع التأكيد على أهمية المعلمات ذات الصلة سريريًا مثل أفق توقع النوبة (SPH) وفترة حدوث النوبة (SOP) في تعزيز قابلية استخدام المرضى والتدخل السريري الاستباقي.

Journal: Scientific Reports, Volume: 16, Issue: 1
DOI: https://doi.org/10.1038/s41598-026-44670-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41932974
Publication Date: 2026-04-03
Author(s): Dabin Jang et al.
Primary Topic: EEG and Brain-Computer Interfaces

Overview

This study presents a novel ultralight deep learning model for seizure prediction utilizing single-channel EEG, addressing the limitations of existing multichannel approaches that hinder wearable and low-power applications. The model, derived from a 37,985-parameter MobileNet architecture, processes Short-Time Fourier Transform (STFT) spectrograms and was validated through patient-specific leave-one-out cross-validation on the SNUH and CHB-MIT datasets. It achieved significant performance metrics: in the SNUH cohort, the model recorded an accuracy of 85.97%, a false positive rate (FPR) of 0.130, and a sensitivity of 94.93%, successfully predicting 95.08% of seizures within a 30-minute seizure occurrence period (SOP). The CHB-MIT dataset yielded even higher results, with 90.72% accuracy, an FPR of 0.092, and 97.92% sensitivity.

The findings underscore the feasibility of using single-channel EEG for reliable seizure prediction within clinically relevant timeframes, demonstrating that the lightweight model can match the performance of multichannel systems while significantly reducing computational requirements. The study advocates for future research to enhance dataset diversity, develop patient-specific generalization strategies, and refine energy-efficient deployment methods, thereby solidifying single-channel EEG as a practical solution for real-time epilepsy management.

Introduction

The introduction of this research paper addresses the significant challenge of epilepsy, a chronic neurological disorder affecting approximately 50 million individuals globally. Despite advancements in treatment options, including pharmacological interventions and surgical procedures, around one-third of patients remain resistant to these therapies. The unpredictable nature of seizures can severely impact patients’ daily lives and mental health. Consequently, seizure prediction technologies have emerged as a promising solution, enabling patients to anticipate seizures and mitigate associated risks, thereby improving their quality of life.

Recent developments in artificial intelligence (AI) have markedly enhanced the accuracy of seizure prediction using electroencephalogram (EEG) signals. Notably, models utilizing short-time Fourier transform (STFT) and attention mechanisms have achieved accuracies exceeding 90%, while transformer-based architectures have reached Area Under the Curve (AUC) values of up to 0.923. However, these advanced methods often require extensive preprocessing and computational resources, which limits their practical application in real-time or wearable contexts. To address this limitation, the study proposes a lightweight deep learning model based on the MobileNet architecture, optimized for efficiency and capable of predicting seizures using single-channel EEG data. The paper aims to evaluate this model’s performance on two distinct scalp EEG datasets, ultimately seeking to establish a foundation for effective long-term monitoring systems suitable for real-world applications.

Methods

The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.

Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using advanced statistical software, applying techniques such as regression analysis and ANOVA to determine significant differences and relationships among the variables. The section emphasizes the importance of replicability and rigor in the experimental setup, detailing the sample size calculations and the criteria for participant selection to enhance the robustness of the findings.

Results

The results section presents the performance evaluation of the model through a subject-specific Leave-One-Out Cross-Validation (LOOCV) protocol. The performance metrics reported include accuracy, false positive rate (FPR), and sensitivity, which are calculated as average values across all cross-validation folds for each patient. This approach ensures that the model’s effectiveness is assessed in a robust manner, accounting for individual variability among subjects.

Discussion

In this study, two EEG datasets—the Seoul National University Hospital (SNUH) dataset and the Children’s Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) dataset—were utilized to develop and evaluate a seizure prediction model. The SNUH dataset comprised recordings from 52 patients with drug-resistant focal epilepsy, while the CHB-MIT dataset included recordings from 23 pediatric patients. A predefined set of six wearable-feasible EEG channels was selected for single-channel evaluation, focusing on regions commonly associated with seizure onset. The study found no significant differences in prediction performance across different brain regions or laterality, reinforcing the validity of the selected channel set. The model was trained using only patients with at least two documented seizures, resulting in a final analysis of 62 seizures from the SNUH dataset and 54 from the CHB-MIT dataset.

The model employed a lightweight MobileNet architecture optimized for low-resolution single-channel data, achieving high predictive accuracy while being suitable for mobile deployment. Patient-specific leave-one-out cross-validation was implemented to account for inter-patient variability in seizure characteristics. The evaluation metrics included segment-based accuracy and false positive rate (FPR), as well as event-based sensitivity. Notably, the model demonstrated superior performance with prefrontal channels, achieving accuracies of 85.97% and 90.72% for the SNUH and CHB-MIT datasets, respectively. The study also assessed the impact of channel proximity to seizure focus on prediction performance, finding no significant advantage for focus-matched channels in accuracy, although they were associated with a higher FPR. Overall, the findings highlight the model’s potential for real-time seizure prediction, emphasizing the importance of clinically relevant parameters such as the seizure prediction horizon (SPH) and seizure occurrence period (SOP) in enhancing patient usability and proactive clinical intervention.