[论文解读] BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning

Junru Chen, Yang Yang+4 more|arXiv (Cornell University)|Jun 15, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用 3

一句话总结

本文提出 BrainNet，一种分层图扩散学习模型，可联合检测立体脑电图（SEEG）数据中的癫痫波，并推断动态癫痫起源网络。通过使用自监督学习建模脑区与患者之间在通道、脑区和患者层面的脑波传播，BrainNet 在大规模真实世界 SEEG 数据集上实现了最先进性能，在严重标签不平衡和噪声环境下，其癫痫波检测效果优于现有基于时间序列的基线模型。

ABSTRACT

Epilepsy is one of the most serious neurological diseases, affecting 1-2% of the world's population. The diagnosis of epilepsy depends heavily on the recognition of epileptic waves, i.e., disordered electrical brainwave activity in the patient's brain. Existing works have begun to employ machine learning models to detect epileptic waves via cortical electroencephalogram (EEG). However, the recently developed stereoelectrocorticography (SEEG) method provides information in stereo that is more precise than conventional EEG, and has been broadly applied in clinical practice. Therefore, we propose the first data-driven study to detect epileptic waves in a real-world SEEG dataset. While offering new opportunities, SEEG also poses several challenges. In clinical practice, epileptic wave activities are considered to propagate between different regions in the brain. These propagation paths, also known as the epileptogenic network, are deemed to be a key factor in the context of epilepsy surgery. However, the question of how to extract an exact epileptogenic network for each patient remains an open problem in the field of neuroscience. To address these challenges, we propose a novel model (BrainNet) that jointly learns the dynamic diffusion graphs and models the brain wave diffusion patterns. In addition, our model effectively aids in resisting label imbalance and severe noise by employing several self-supervised learning tasks and a hierarchical framework. By experimenting with the extensive real SEEG dataset obtained from multiple patients, we find that BrainNet outperforms several latest state-of-the-art baselines derived from time-series analysis.

研究动机与目标

• 解决从个体患者获取的高维、噪声大且标签不平衡的立体脑电图（SEEG）数据中检测癫痫波的挑战。
• 通过学习患者特异性的癫痫起源网络，建模癫痫活动在脑区间动态传播的过程。
• 通过分层架构内的自监督学习框架，克服 SEEG 数据中的标签不平衡与噪声问题。
• 开发一种端到端、数据驱动的方法，联合学习扩散模式并实现实时临床环境下的癫痫波起始检测。
• 通过在线系统实现临床部署，支持医生对模型预测结果进行审查与解读。

提出的方法

• BrainNet 采用分层框架，在三个层次上建模癫痫波扩散：通道级、脑区级和患者级。
• 利用图神经网络（GNN）学习动态扩散图，捕捉 SEEG 通道与脑区间随时间演化的相互作用。
• 整合多种自监督预训练任务（如掩码信号重建和对比学习），以提升对标签稀缺和噪声的鲁棒性。
• 采用多层级注意力机制，聚合通道与脑区的特征，以增强检测灵敏度与空间定位能力。
• 架构结合一维卷积与图卷积层，以捕捉局部信号模式和长程传播动态。
• 框架在真实 SEEG 数据上端到端训练，损失函数同时优化癫痫波检测与图结构学习。

实验结果

研究问题

• RQ1 如何在噪声大、标签不平衡且患者特异性的 SEEG 数据中有效检测癫痫波？
• RQ2 我们能否联合学习癫痫波传播的动态扩散图并提升检测性能？
• RQ3 在低资源、高噪声的 SEEG 环境下，自监督学习能在多大程度上提升模型鲁棒性？
• RQ4 与传统时间序列模型相比，分层图扩散模型是否能更好地捕捉癫痫起源网络结构？
• RQ5 所学习的扩散图在多大程度上具有可解释性与临床实用性，可用于识别癫痫发作起始区？

主要发现

• BrainNet 在 SEEG 数据中的癫痫波检测任务上优于多种最先进的时间序列模型，F1 分数更高，且精确率-召回率平衡更优。
• 模型在标签不平衡与噪声环境下表现出更强鲁棒性，应用自监督预训练后检测性能显著提升。
• 所学习的动态扩散图与临床知识高度一致，揭示了个体患者脑区间合理的传播模式。
• 在线系统部署支持实时可视化预测结果，医生可将模型输出与真实标注进行比对验证。
• 分层架构在多尺度上实现有效特征表示，提升了在多样化患者特异性 SEEG 信号模式下的检测准确性。
• 模型在包含每名患者平均 53 小时记录的大规模真实世界 SEEG 数据集上得到验证，展示了可扩展性与临床相关性。