近日，陈松蹊教授团队关于智能脑电分析云平台EEG-X的论文《EEG-X：面向癫痫诊断的自动化量化脑电分析集成框架》（EEG-X: An Integrated Framework for Automated Quantitative EEG Analysis in Epilepsy Diagnosis）被智能医学领域顶级期刊IEEE Journal of Biomedical and Health Informatics（IEEE JBHI）接受发表。

脑电图（EEG）是癫痫诊断的金标准，而EEG监测时长的增加与患者群体的扩大会显著提升神经科医生的工作负担。此外，年龄、发作类型、电极设置和采集设备等差异，会使得人工智能模型在癫痫发作检测的效果难以稳定泛化到新患者。面向这些问题，本研究提出了一种基于多模态信号与多尺度特征提取的癫痫发作期检测算法，显著提升了癫痫发作检测的准确度与泛化性。此外，本研究将发作检测、尖波检测、溯源定位等功能进行集成，形成了一个智能脑电分析云平台EEG-X。EEG-X 将工作流程由人工逐段检索转变为“人工智能标注候选异常、专业人员快速核验”，并支持多人在线查看、修改标签和处理标注冲突。

图1. EEG-X ，面向癫痫诊疗的全流程平台。电生理与影像数据经自动分析后，为统计评价、脑电源成像和术前评估提供量化依据。

研究团队提出的发作检测算法以30s长度的多模态信号作为输入，包括EEG信号、功率谱密度（PSD）特征，心电信号（ECG）以及肌电信号（EMG）。每个模态的信号首先基于深度可分离卷积与知识驱动的图卷积网络同时建模相邻电极和双侧对称脑区的联系，形成具备空间拓扑信息的特征嵌入。随后，多模态特征进行拼接，并进入多层级的Transformer Encoder模块进行长程时序特征建模，最终输出逐秒级发作检测标签。

图2. 癫痫发作检测模型结构。EEG、PSD 与 EMG/ECG 特征经专门的卷积和图卷积通路提取后，以时间 token 的形式输入 Transformer，输出逐秒标签。

本研究汇集 TUSZ、CHSZ、HUH、SSE 四个公开数据集及国内四家医院的回顾性数据，形成了一个包含数千名患者的大规模综合性癫痫数据集。研究采用患者严格隔离的分层 10折嵌套交叉验证，并与六种代表性算法在相同协议下进行比较。结果表明，EEG-X 在 7 项指标中的 6 项中取得最佳表现，在灵敏度、误报控制和检测速度之间取得了较好平衡，展现了其在临床应用中的巨大潜力，可显著降低临床医生的读图负担。

图3. EEG-X 与六种现有算法的跨患者比较及跨数据集结果。

除癫痫发作检测外，EEG-X 还整合了团队前期建立的发作间期癫痫样放电检测、脑电源成像、伪迹去除、高频振荡分析、MRI/CT 配准、三维头模型重建和 SEEG 电极坐标识别等模块，当前已上线www.eeg-x.com支持公开访问。平台可通过工作站、平板电脑和手机浏览器访问，并对脑电文件头和结构影像进行去标识化处理。

图4. EEG-X 云端协作方式及自动分析示例，包括发作识别、发作间期棘波、伪迹去除、源定位和时频分析。

本文的第一作者为清华大学航天航空学院博士后童培峰，第二作者为北京大学长沙计算与数字经济研究院研究员张龙，第三作者为四川大学华西医院董博思博士，陈松蹊教授为通讯作者。研究得到国家自然科学基金项目（Nos.12292980，12292983）和中国博士后科学基金项目（No.2025M783114 ）支持。