Two research papers by Tong Peifeng and his collaborators on non-invasive EEG source localization and spike/sharp wave detection have been accepted for publication
Source: Yan Dong Data Dispatch 2024/12/03 17:00 Beijing
近日，陈松蹊教授团队由童培峰为第一作者的两篇研究论文《偏差调整的时空脑电图/脑磁图溯源定位和统计推断》（Debiased Estimation and Inference for Spatial–Temporal EEG/MEG Source Imaging）和《基于Transformer的儿童Rolandic癫痫患者的间歇期痫性放电检测算法》（Detection of interictal epileptiform discharges using transformer based deep neural network for patients with self-limited epilepsy with centrotemporal spikes）分别在医学影像顶级期刊《IEEE Transactions on Medical Imaging》和医学工程权威期刊《Biomedical Signal Processing and Control》在线发表。
ARTICLE 1
脑电图（EEG）和脑磁图（MEG）是研究大脑功能和癫痫非侵入性术前评估的重要工具。EEG/MEG溯源定位旨在由头皮记录的信号重建大脑皮层中的脑电活动。但由于头皮电极或MEG传感器的数量（通常为几十到几百个）远小于大脑皮层上潜在的源位置数量（通常为几千到几十万个），从有限的观测数据中推断颅内信号源的空间位置并准确重建其时间序列具有挑战性。本文提出了一种新的偏差调整（Debiased）的脑电图/脑磁图源成像算法（DeESI），用于检测稀疏脑活动。DeESI通过时空建模、统计纠偏和高效计算等创新策略，显著提高了源成像的精度和可解释性。
图1: EEG溯源定位流程图
DeESI算法通过矩阵Frobenius范数和L1范数的结合，兼顾了源的空间稀疏性和时间稠密性，提高了重建结果的生理可解释性。算法引入了统计纠偏步骤，校正了信号幅度、偶极子方向和深度的估计偏差，克服了传统方法中正则化导致的幅度偏向于零的问题，提高了源活动强度估计的准确性。此外，DeESI还推导了纠偏估计量的方差，为后续的标准化和假设检验提供了便利。同时，DeESI通过使用快速交替方向乘子法（ADMM）优化求解，通过直接求解矩阵形式的优化问题，避免了向量化的需要，从而提高了计算效率。在真实数据分析研究中，与现有11种ESI方法的比较中，DeESI在峰值定位和幅度重建方面表现最优，展现了其在脑功能研究和临床应用中的巨大潜力，有望减少侵入式溯源定位方法在术前评估中的使用。
图2. DeESI方法与其他11种ESI方法的性能比较。
(a)各研究试验中的最小偶极子定位距离(DLD)箱线图及平均值；(b)固定偶极子方向情景下，ESI方法对超参数选择的敏感性分析；(c)自由方向情景下的敏感性分析。
本研究强调估计偏差调整和统计推断在EEG/MEG源成像中的重要性,为神经科学基础研究和脑疾病临床诊断提供了新的分析工具和视角。未来的研究可以在纠偏方案的适用范围、惩罚项的选择以及正向模型的改进等方面进行探索和拓展,以进一步提高ESI任务的性能和适应性。
本文的第一作者为北京大学光华管理学院2020级博士生童培峰，陈松蹊教授和安山教授为通讯作者，陈松蹊教授也是童培峰的博士生导师。文章的另外学生作者是北京大学为光华管理学院2024级博士生丁心如，为陈松蹊教授指导的博士生。文章的合作者还包括首都医科大学附属北京潞河医院的耿晓坤主任和杨浩然医生，特别感谢美国韦恩州立大学医学院丁玉川教授为文章研究提出的宝贵建议。文章的其他合作者还包括京东健康智能算法部负责人王国鑫。研究得到了国家自然科学基金项目No.12026607和No.12071013的资助。
ARTICLE 2
儿童Rolandic癫痫（Self-limited epilepsy with centrotemporal spikes，SeLECTS）是儿童中最常见的癫痫之一，占儿童癫痫的比例高达 23%，并且通常与发育障碍相关。典型发病年龄在3至12岁之间，缓解通常发生在青少年早期，具有遗传易感性和男性优势。
图1.使用所提出算法识别的间期尖波和衍生计算的描述性统计量
SeLECTS发作期很少，即使长程脑电图也很难捕捉到一次发作，因此头皮可见的发作间期癫痫样放电（interictal epileptiform discharges，IEDs）对诊断SeLECTS非常重要。然而脑电图数据记录时间长，当前主要是人工读图，需要神经内科医生和脑电图技师花费大量时间在脑电图中标注放电信号，亟需开发一套高效准确的自动标注算法。
文章设计出来了一套非常有效的数据预处理-特征提取-分类的工作流程。这套方法首先使用独立分量分析（independent component analysis）提取出EEG的序列成分，并基于临床知识分类了四大类波形，使用基于transformer的深度神经网络分类器将序列分类。相比于先前研究，算法大幅提高了尖波检测的时空分辨率，能够精确到放电时刻和放电电极最终识别出癫痫发作期间癫痫样放电及其偶极子模式相关的时间和电极。在测试集的结果显示，文章所设计出来的方法在特异性（Specificity，SPEC）、准确性（Accuracy，ACC）、精确性（Precision，PREC）和 F1 分数（F1-score）均强于之前的方法，并且有很强的模型泛化能力，在跨患者测试中表现出了很强的稳健性。
图2.本文所提出的方法与最近提出的三种算法在灵敏度（SENS）、特异性（SPEC）、准确率（ACC）和小时误报率（FAR）上的比较
本文由北京大学光华管理学院2020级博士生童培峰与四川大学华西医院神经内科董博思博士为共同第一作者，陈松蹊教授和陈蕾教授为通讯作者。文章的合作者还包括成都市妇女儿童中心医院的曾向东医生。研究得到了国家自然科学基金项目No.12026607和No.12071013的资助。
研究团队正在推动以上两篇研究算法的云平台集成。该方法将有助于脑电的AI识别，节省医生读图时间，并减少主观判断误差，推动优质医疗资源下沉，让基层患者享受到三甲水平的诊断服务。
Author Biography
Peifeng Tong
Peifeng Tong is a Ph.D. student in the Department of Business Statistics and Econometrics at the Guanghua School of Management, Peking University. He received his Bachelor's degree in Environmental Science from Peking University in 2020. His research focuses on utilizing EEG data and advanced statistical methods to identify the source region and abnormal signals of epilepsy. He has published five journal articles and one paper at a top artificial intelligence conference as the first author during Ph.D. study. In March of this year, he became the Assistant Director at the PKU-Changsha Institute, where he quickly assembled a research and development team focused on translating academic research into practical web applications. The project team has since developed the EEG-X, an AI-based epilepsy analysis platform, and is collaborating with several well known medical institutions on clinical research. The platform is now available at www.eeg-x.com.
Paper link：
https://ieeexplore.ieee.org/document/10768920
https://www.sciencedirect.com/science/article/pii/S1746809424012965