癲癇腦電高頻振蕩自動檢測的研究進展

李向歡　杜玉曉　凌宇

摘要：癲癇是大腦神經(jīng)元突發(fā)性異常放電，導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。癲癇腦電信號的高頻振蕩是一種可靠的癲癇發(fā)生生物標志物。為了有效地診斷和治療癲癇，對癲癇腦電高頻振蕩進行準確地檢測至關(guān)重要。癲癇腦電高頻振蕩自動檢測算法先從腦電信號中提取相關(guān)特征，再利用機器學(xué)習(xí)算法來識別分類高頻振蕩。首先，介紹癲癇腦電高頻振蕩的定義以及臨床研究意義；然后，對癲癇腦電高頻振蕩的特征提取和特征分類進行總結(jié)；最后，闡述癲癇腦電高頻振蕩自動檢測的研究現(xiàn)狀和未來的研究方向。

關(guān)鍵詞：癲癇；腦電圖；高頻振蕩；特征提??；特征分類

中圖分類號：R742.1文獻標志碼：A文章編號：1674-2605（2023）03-0001-09

DOI：10.3969/j.issn.1674-2605.2023.03.001

Research Progress in Automatic Detection of Epileptic EEG? ? ? ? ? High-frequency Oscillations

LIXianghuanDUYuxiaoLING Yu

（School of Automation， Guangdong University of Technology，Guangzhou510006， China）

Abstract：Epilepsy is a chronic disease caused by sudden abnormal discharge of brain neurons， which leads to temporary brain dysfunction. The high-frequency oscillation of epileptic EEG signals is a reliable biomarker for epilepsy occurrence. In order to effectively diagnose and treat epilepsy， accurate detection of high-frequency oscillations in epileptic EEG is crucial. The automatic detection algorithm for high-frequency oscillations in epilepsy EEG first extracts relevant features from EEG signals， and then uses machine learning algorithms to identify and classify high-frequency oscillations. Firstly， introduce the definition and clinical research significance of high-frequency oscillations in epileptic EEG; then， summarize the feature extraction and classification of high-frequency oscillations in epileptic EEG; finally， the current research status and future research directions of automatic detection of high-frequency oscillations in epilepsy EEG are elaborated.

Keywords： epilepsy; EEG; high-frequency oscillations; feature extraction; feature classification

0 引言

癲癇是一種慢性神經(jīng)系統(tǒng)疾病[1]，又稱“羊癲風(fēng)”或“羊角風(fēng)”，其發(fā)作表現(xiàn)為短暫地抽搐、口吐白沫、意識不清等，沒有固定的規(guī)律。我國有900多萬癲癇患者[2]，青少年時期發(fā)病的比例較高。目前，癲癇的治療方法主要包括藥物治療和手術(shù)治療。對于藥物無法控制病情的患者，可以通過手術(shù)切除致癇灶來緩解病情。因此，致癇灶的精準定位成為癲癇手術(shù)治療的

關(guān)鍵環(huán)節(jié)。癲癇腦電信號中的高頻振蕩（high frequency oscillations， HFOs）是定位致癇灶的一個重要生物指標[3]。

首先，詳細介紹癲癇腦電HFOs的定義、采集方式、與致癇灶之間的關(guān)聯(lián)；然后，對癲癇腦電HFOs的特征提取方法和特征分類模型進行總結(jié)；最后，闡述癲癇腦電HFOs自動檢測的研究現(xiàn)狀和未來的研究方向。

1 癲癇腦電HFOs

1.1? HFOs的定義

HFOs是癲癇腦電信號中的高頻信號部分，頻率范圍為80～500 Hz。1989年，HUANG和WHITE等在使用卡地阿唑治療癲癇大鼠的模型中，通過顱骨λ點處的皮下針狀電極首次記錄到HFOs[4]。目前，國際上關(guān)于HFOs尚無統(tǒng)一明確的定義。多數(shù)研究者較為認可的HFOs定義是：1999年ENGEL提出的經(jīng)過腦電圖濾波（80～500 Hz）后，明顯高于基線的4個連續(xù)振蕩為HFOs[5-6]。HFOs分為漣波（ripples， Rs， 80～250Hz）、快速漣波（fast ripples， FRs， 250～500Hz）、極大的高頻振蕩（very high frequency oscillations， VHFOs， ＞1 000 Hz）3種類型。

1.2? HFOs的采集

HFOs通過特殊的電極進行采集，如顱內(nèi)電極（硬膜外電極、硬膜下電極、皮質(zhì)電極、深部電極）、微電極、鼻咽電極、蝶骨電極、卵圓孔電極等。USUI等[7]通過植入顱內(nèi)電極，以10 kHz的采樣率采集到1 000～2 500 Hz的VHFOs。目前的臨床應(yīng)用研究中，主要以顱內(nèi)電極為主，硬膜下電極適合研究新皮層區(qū)域以及腦深部的顳葉內(nèi)側(cè)癲癇；深部電極適合研究內(nèi)部大腦皮層，尤其是顳葉內(nèi)側(cè)癲癇[8]；微電極適合研究癲癇HFOs的病理性機制[6]。

1.3? HFOs與致癇灶的關(guān)聯(lián)

在致癇灶區(qū)域，HFOs的發(fā)生率顯著增加。JIRSCH等[9]結(jié)合使用深部電極和硬膜下電極，從癲癇患者的大腦中記錄到離散的HFOs主要集中在原發(fā)性癲癇發(fā)生區(qū)域，并發(fā)現(xiàn)癲癇發(fā)作時，致癇灶所在位置的HFOs急劇增加。JACOBS等[10]利用顱內(nèi)電極研究了10名癲癇患者的腦電圖（electroencephalogram，EEG），發(fā)現(xiàn)HFOs的速率和持續(xù)時間在致癇灶內(nèi)部明顯高于外部。因此，HFOs可作為致癇灶的生物標志物。在臨床研究中，致癇灶的精確定位是手術(shù)成功的關(guān)鍵步驟[11]。國內(nèi)外的研究表明，通過HFOs來定位致癇灶進行手術(shù)治療，56%～71%的癲癇患者在術(shù)后1年內(nèi)沒有復(fù)發(fā)[12]。

2 癲癇腦電HFOs自動檢測算法

癲癇腦電HFOs檢測方法主要包括人工視覺標記法和自動檢測算法2種。人工視覺標記法需要專業(yè)的臨床醫(yī)生長時間、高集中注意力來視覺定位HFOs，具有主觀性，且耗時費力，易受肌電、心電、電源噪聲等干擾因素的影響。自動檢測算法是目前癲癇研究的重點，通常包括3個階段：1）預(yù)處理階段，從背景活動中選擇HFOs事件；2）閾值設(shè)定階段，選擇一個閾值來推定HFOs事件；3）后續(xù)處理階段，篩選出錯誤的檢測事件，保留真實的HFOs事件。癲癇腦電HFOs自動檢測算法主要包括HFOs的特征提取和特征分類。

2.1HFOs的特征提取

癲癇腦電HFOs的特征提取方法主要包括時域分析法、頻域分析法、時頻域分析法和非線性分析法4種方法。近年來，癲癇腦電HFOs自動檢測算法中涉及的時域特征、頻域特征、時頻域特征、非線性特征等4類特征的總結(jié)如表1所示。

2.1.1? 時域分析法

時域分析法主要提取癲癇腦電信號的振幅、均方根、過零率、短時線長、包絡(luò)線等時域特征。時域特征是癲癇腦電信號的基礎(chǔ)特征，可通過原始時域信號或濾波信號提取，也可從波形中直接觀察到。時域特征的提取方法主要有波形提取、統(tǒng)計分析、混沌分形理論和自回歸模型等。文獻[14]利用濾波后腦電信號的均方根來檢測HFOs，在連續(xù)振幅高于均方根信號平均振幅的5倍標準差，且持續(xù)時間超過6ms時，以起始和偏移邊界的時間標記劃定為推定的HFOs事件；該方法開創(chuàng)了HFOs自動檢測的先河，但在混有偽跡和尖峰的腦電信號中無法快速準確地提取HFOs。文獻[15]利用Teager能量算子和曲線長度對HFOs的特征進行提取，并檢測到FRs能直接反映癲癇的發(fā)作，腦電信號離致癇灶越近，HFOs的頻率越高。文獻[32]基于波形特征模板自動檢測HFOs信號，可快速定位致癇灶區(qū)域。文獻[33]計算窗口化的線長特征，并通過對線長特征進行閾值處理來實現(xiàn)HFOs事件的檢測；但該方法對臨床大電極記錄的腦電信號檢測的FRs事件明顯減少，并且檢測結(jié)果存在較高的假陽性率。文獻[34]提取了腦電信號的過零率、局部最大和最小值、平均振幅等特征，然而對于不同患者、不同特征表現(xiàn)的性能也不同。

2.1.2頻域分析法

頻域分析法主要提取癲癇腦電信號的頻率、功率譜、峰值頻率、主頻峰值帶寬等頻域特征。頻域特征的提取方法主要有離散傅里葉變換、功率譜密度、基于自回歸模型的頻譜估計、相干分析法、高階譜等。文獻[18]利用多波段頻率分析提取峰值頻率、功率譜等特征，發(fā)現(xiàn)寬帶HFOs的峰值頻率范圍為60～170 Hz，持續(xù)窄帶HFOs的峰值頻率范圍為60～164 Hz。文獻[19]在以HFOs為中心的32 ms窗口上，利用Welch來估計峰值頻率（快速波紋為16ms窗口）。文獻[20]利用周期圖方法獲得腦電信號的功率譜，并將該功率譜作為邏輯回歸和人工神經(jīng)網(wǎng)絡(luò)的輸入，用于檢測癲癇的發(fā)作。文獻[21]利用Rs和FRs的頻譜特征進行定量分離，利用歸一化功率譜密度計算功率譜熵，并提取腦電信號的峰值頻率、頻譜峰度等頻域特征。文獻[35]利用自回歸模型計算HFOs的功率譜密度特征，篩選功率譜密度下曲線面積較大的幾個導(dǎo)聯(lián)，并提取HFOs出現(xiàn)的導(dǎo)聯(lián)，定位癲癇始發(fā)區(qū)。

2.1.3? 時頻域分析法

頻域特性會隨時間而不斷改變，無法充分反映腦電信號的特征。時頻域分析在時域和頻域同時具有良好的效果，在處理非平穩(wěn)時變腦電信號方面效果顯著。時頻域分析法主要提取腦電信號的時頻圖、Morlet小波特征以及短時傅里葉變換后的瞬時頻率、瞬時相位等時頻域特征。時頻域特征的提取方法主要有短時傅里葉變換、希爾伯特-黃變換和Gabor變換等。

傅里葉變換只反映腦電信號的頻域特性，無法在時域內(nèi)對腦電信號進行分析。短時傅里葉變換是一種時頻分析方法，它將長時間的信號分解成短時窗口，并對每個窗口進行傅里葉變換，從而獲得信號在時域和頻域的特性。該方法在分析信號時使用了不同時間段的局部特征，可以有效地反映信號的時變特性。文獻[36]在大腦高頻活動期間檢測腦電信號的頻譜變化，通過短時傅里葉變換進行時頻分解，對所選頻帶的歸一化頻譜圖進行閾值篩選，實現(xiàn)HFOs的自動檢測；但該方法缺少參考數(shù)據(jù)集，且算法的最優(yōu)設(shè)置是通過對每個受試者標記事件的短信號周期調(diào)整和視覺修正循環(huán)優(yōu)化找到的，故存在人為主觀性。

希爾伯特-黃變換可反映腦電信號的時頻特征，即腦電信號頻域特征隨時間變換的規(guī)律，主要包括經(jīng)驗?zāi)B(tài)分解和希爾伯特變換兩部分，其中經(jīng)驗?zāi)B(tài)分解廣泛應(yīng)用于非平穩(wěn)非線性的時間序列信號。文獻[24]利用希爾伯特-黃變換和均方根特征相結(jié)合的方法，通過經(jīng)驗?zāi)B(tài)分解將腦電信號分解為固有模態(tài)函數(shù)，再使用希爾伯特頻譜分析計算各個固有模態(tài)函數(shù)相關(guān)的瞬時頻率和振幅數(shù)據(jù)。該方法對于HFOs事件的檢測具有較高的靈敏度和準確性，但無法在調(diào)整算法輸入?yún)?shù)值（即均方根閾值）時，平衡靈敏度和錯誤發(fā)現(xiàn)率。

Gabor變換是加窗傅里葉變換。Gabor函數(shù)可在頻域不同尺度、不同方向上提取相關(guān)特征。文獻[25]利用Gabor變換來檢測腦電信號中的HFOs，提取能量比和事件持續(xù)時間等特征，在靈敏度和錯誤發(fā)現(xiàn)率方面具有較高的性能，同時也避免了由偽影造成的錯誤檢測。

2.1.4? 非線性分析法

非線性分析法主要提取腦電信號的分形維數(shù)、奇異指數(shù)、Hurst指數(shù)和熵等非線性特征，可反映復(fù)雜系統(tǒng)的動力學(xué)特征，將大腦視作一個多維度的動態(tài)系統(tǒng)。非線性動力學(xué)特征的提取是通過對腦電信號進行非線性動力學(xué)分析來提取信號的特征，主要有自相關(guān)維數(shù)分析、相空間重構(gòu)分析和復(fù)雜度分析等方法。熵值可反映時序信號的復(fù)雜程度，主要包括模糊熵、香農(nóng)熵、近似熵、樣本熵、小波熵和希爾伯特-黃譜熵等。文獻[27]使用均方法計算濾波信號的模糊熵和短時能量，并將其作為特征向量用于模糊神經(jīng)網(wǎng)絡(luò)分類器的輸入，結(jié)果表明提取HFOs特征的效果較好。文獻[28]采用近似熵和人工神經(jīng)網(wǎng)絡(luò)的方法提取HFOs特征，并檢測和分類電生理信號中的HFOs成分，具有快速和準確的特點，可以在線實施，縮短分析電生理信號的時間。文獻[29]介紹了兩種HFOs自動檢測算法：一種是將Morlet小波和香農(nóng)熵結(jié)合，提高小波變換的時頻分辨率；另外一種是結(jié)合匹配追蹤算法和自適應(yīng)算法，提高HFOs檢測的精度和速度。文獻[31]通過提取腦電信號的奇異指數(shù)和多重分型譜等特征，自動檢測HFOs，結(jié)果顯示，不同腦功能狀態(tài)下的EEG信號的多重分形譜表現(xiàn)出不同的形狀，并且在發(fā)作間期和發(fā)作期EEG信號之間都有統(tǒng)計學(xué)上的顯著差異。

2.2? HFOs的特征分類

將提取的HFOs特征輸入到分類器模型，可實現(xiàn)HFOs分類。常見的癲癇腦電HFOs特征分類模型有統(tǒng)計分析模型、傳統(tǒng)的機器學(xué)習(xí)模型和深度學(xué)習(xí)模型。癲癇腦電HFOs特征分類模型總結(jié)如表2所示，其中Sen、Spe、Acc分別表示靈敏度、特異性和準確率。

2.2.1? 統(tǒng)計分析模型

統(tǒng)計分析模型可對待檢測腦電信號的特征統(tǒng)計量設(shè)定相關(guān)閾值，實現(xiàn)HFOs檢測。文獻[3]對癲癇患者發(fā)作前2 h（發(fā)作間期）、發(fā)作前2 min（發(fā)作前期）和發(fā)作后2 min（發(fā)作期）檢測到的HFOs事件，根據(jù)HFOs的形態(tài)特征（頻率、持續(xù)時間、能量、平均峰值比和背景振幅的最大差異等），通過K-means聚類分析進行HFOs分類，結(jié)果沒有發(fā)現(xiàn)發(fā)作間期和發(fā)作前期HFOs的集群分離或集群之間的不同分布。文獻[37]也通過K-means聚類分析進行HFOs分類，但它用于聚類的區(qū)別特征為子帶功率比、高波段熵值、峰值能量比，結(jié)果顯示，基于無監(jiān)督K均值聚類方法成功地將HFOs與噪聲、偽影和任意尖峰隔離出來。統(tǒng)計分析模型在分類時，模型的判斷依據(jù)簡單、工作量小，便于理解和操作；但依賴有經(jīng)驗的參數(shù)設(shè)定，并且無法處理特征與特征之間的深度關(guān)系，使模型的準確性較差。

2.2.2傳統(tǒng)的機器學(xué)習(xí)模型

常見的傳統(tǒng)機器學(xué)習(xí)模型有支持向量機、決策樹、線性判別分析、線性回歸、主成分分析等。文獻[25]基于Gabor變換來提取能量比和時間特征，為在4種特征類型的HFOs和偽影之間實現(xiàn)判別率最大化，利用有監(jiān)督的支持向量機對檢測到的HFOs事件進行分類，該方法可檢測和鑒別所有類型的HFOs，同時也避免了由偽影造成的錯誤檢測。文獻[38]提出了一種基于多種時頻域及非線性特征的支持向量機模型，利用30 min的發(fā)作間期記錄，將顱內(nèi)腦電圖電極分類為正?；虿B(tài)。文獻[39]利用離散小波變換提取HFOs的頻帶能量特征來構(gòu)成特征向量，基于多類線性判別分析模型訓(xùn)練和測試數(shù)據(jù)集，分類HFOs和尖峰，結(jié)果顯示，該檢測器能夠以最小的檢測參數(shù)調(diào)整來識別類別，并且在敏感性和特異性方面具有更高的性能。文獻[40]提取HFOs的子帶功率比、線長、相對峰值振幅和熵，采用支持向量機對HFOs分類，并成功地分離出HFOs、噪聲、偽跡。文獻[50]首先利用經(jīng)驗?zāi)B(tài)分解將腦電信號分解為多個固有模態(tài)函數(shù)；然后，計算固有模態(tài)函數(shù)的均值、標準差、波動指數(shù)和樣本熵；最后，利用支持向量機和K近鄰融合算法進行分類，所提出的自動檢測和快速識別方法可以實現(xiàn)高精度的癲癇識別。

2.2.3? 深度學(xué)習(xí)模型

隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，基于深度學(xué)習(xí)的癲癇腦電HFOs自動檢測成為目前的研究熱點。常用的基于深度學(xué)習(xí)的癲癇腦電HFOs自動檢測分類模型有卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）模型、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）模型、模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural network，F(xiàn)NN）模型、自編碼（autoencoders， AE）模型等。

文獻[27]將模糊熵和均方根計算的短時能量作為模糊神經(jīng)網(wǎng)絡(luò)分類器的輸入，利用最小二乘法估計和誤差反向傳播算法分別調(diào)整結(jié)果和前因參數(shù)，分類器的輸出為HFOs或者正?；顒?。文獻[41]從濾波后的腦電信號中提取短時能量特征作為HFOs的初始檢測，基于2D時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入特征，能夠準確地檢測分類Rs和FRs，但該方法訓(xùn)練集過于接近，可能會出現(xiàn)過擬合問題，從而降低HFOs識別的準確性。文獻[42]對腦電信號進行時頻分析，提取相應(yīng)的時頻圖特征，并將標記有真實HFOs和虛假HFOs的數(shù)據(jù)用于五層特定卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和驗證，該研究表明，基于時頻圖特征和卷積神經(jīng)網(wǎng)絡(luò)的HFOs分類方法的分類精度達到94.19%。

深度學(xué)習(xí)使計算機能夠自動發(fā)現(xiàn)模式特征，并將這些特征融入到建模過程中，減少人為設(shè)計特征的不

完整性，具有較高的擴展性，并在訓(xùn)練數(shù)據(jù)集和時間充足的情況下，表現(xiàn)出較好的學(xué)習(xí)效果。然而，高精度的深度學(xué)習(xí)模型通常需要大量的數(shù)據(jù)支持。同時，創(chuàng)建新模型也需要投入大量的人力，因此大多數(shù)情況下只能使用現(xiàn)有的模型。

3 結(jié)論與展望

雖然癲癇腦電HFOs自動檢測的研究已有長足的發(fā)展，但各種方法的檢測結(jié)果較難一致，原因在于：

1）目前國際上對HFOs的定義未能達成統(tǒng)一共識；

2）各研究團隊采用所屬團隊的數(shù)據(jù)集，沒有公共的數(shù)據(jù)集用于實驗分析。

癲癇腦電HFOs自動檢測的未來研究方向，包括以下5個方面：

1）研究重點將從單一特征向多特征融合發(fā)展。采用多特征相結(jié)合的方法進行癲癇HFOs自動檢測。此外，開發(fā)更加高效、精準的特征提取算法，提高檢測的準確性和效率。

2）多中心數(shù)據(jù)共享。目前癲癇腦電HFOs自動檢測算法是基于單中心的數(shù)據(jù)進行研究，未來可將來自多個中心的數(shù)據(jù)進行整合和共享，從而提高數(shù)據(jù)的數(shù)量和質(zhì)量。

3）注重算法模型的創(chuàng)新和優(yōu)化。目前癲癇腦電HFOs自動檢測算法存在一定的誤檢率和漏檢率。針對不同類型的HFOs波形，將開發(fā)適合其特點的算法模型，進一步提高HFOs自動檢測的準確性和魯棒性。同時，將深入研究HFOs信號的機制和生理學(xué)基礎(chǔ)，為模型的構(gòu)建提供更加精準的生物學(xué)依據(jù)。

4）探索更加精準的癲癇致癇灶定位方法，提高手術(shù)的治療效果。將利用HFOs信號的空間分布特征，開發(fā)新的方法進行致癇灶精確定位，為手術(shù)治療提供更加可靠的依據(jù)。

5）借鑒其他領(lǐng)域的研究成果，如機器學(xué)習(xí)、深度學(xué)習(xí)等，將這些研究成果應(yīng)用到癲癇腦電HFOs自動檢測中，進一步提高檢測的準確性和效率。同時，將探索HFOs信號與其他生物信號（如腦磁圖、腦血

流圖等）的關(guān)系，開發(fā)多模態(tài)數(shù)據(jù)融合的方法，提高癲癇的診斷和治療效果。

總之，癲癇腦電HFOs自動檢測的研究將在特征融合、算法模型創(chuàng)新、致癇灶定位、跨領(lǐng)域研究等方面得到進一步的發(fā)展和突破，為癲癇的治療和管理提供更加有效的手段和方法。

參考文獻

[1] JOHNSON M R， SHORVON S D. Heredity in epilepsy： Neurodevelopment， comorbidity， and the neurological trait[J]. Epilepsy & Behavior， 2011，22（3）：421-427.

[2] 陳浩濱，葛薇，楊超，等.腦電波信號多域變換與深度學(xué)習(xí)癲癇診斷[J].現(xiàn)代信息科技，2022，6（20）：6-10.

[3] MALINOWSKA U， BERGEY G K， HAREZLAK J， et al. Identification of seizure onset zone and preictal state based on characteristics of high frequency oscillations[J]. Clinical Neuro-physiology， 2015，126（8）：1505-1513.

[4] HUANG C M， WHITE L E. High-frequency components in epileptiform EEG[J]. Journal of Neuroscience Methods， 1989， 30（3）：197-201.

[5] BRAGIN A， ENGEL J， STABA R J. High-frequency oscilla-tions in epileptic brain[J]. Current Opinion in Neurology， 2010，23（2）：151-156.

[6] BRAGIN A， ENGEL J， WILSON C L， et al. Hippocampal and entorhinal cortex high-frequency oscillations （100-500 Hz） in human epileptic brain and in kainic acid-treated rats with chronic seizures[J]. Epilepsia， 1999，40（2）：127-137.

[7] USUI N， TERADA K， BABA K， et al. Very high frequency oscillations （over 1 000 Hz） in human epilepsy[J]. Clinical Neurophysiology， 2010，121（11）：1825-1831.

[8] 張華楸，舒凱，陳旭，等.癲癇外科中侵襲性電極監(jiān)測的臨床應(yīng)用[J].立體定向和功能性神經(jīng)外科雜志，2009，22（2）：115-118.

[9] JIRSCH J， URRESTARAZU E， LEVAN P， et al. High-frequency oscillations during human focal seizures[J]. Brain， 2006，129（6）：1593-1608.

[10] JACOBS J， LEVAN P， CHANDER R， et al. Interictal high-frequency oscillations （80-500 Hz） are an indicator of seizure onset areas independent of spikes in the human epileptic brain[J]. Epilepsia， 2008，49（11）：1893-1907.

[11] FARAHMAND S， SOBAYO T， MOGUL D J. Using interictal HFOs to improve the identification of epileptogenic zones in preparation for epilepsy surgery[C]. 2018 40th Annual Interna-tional Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）， 2018：2264-2267.

[12] LIU S， YU T， GUAN Y， et al. Resective epilepsy surgery in tuberous sclerosis complex： a nationwide multicentre retro-spective study from China[J]. Brain， 2020，143（2）：570-581.

[13] ENGEL JR J， BRAGIN A， STABA R， et al. High-frequency oscillations： what is normal and what is not？[J]. Epilepsia， 2009，50（4）：598-604.

[14] STABA R J， WILSON C L， BRAGIN A， et al. Quantitative analysis of high-frequency oscillations （80-500 Hz） recorded in human epileptic hippocampus and entorhinal cortex[J]. Journal of Neurophysiology， 2002，88（4）：1743-1752.

[15] 王春生，黎清清，吳敏，等.多導(dǎo)聯(lián)癲癇腦電信號高頻振蕩特征提取與病灶定位算法[J].中南大學(xué)學(xué)報（自然科學(xué)版）， 2015，46（9）：3302-3308.

[16] ZELMANN R， MARI F， JACOBS J， et al. A comparison between detectors of high frequency oscillations[J]. Clinical Neurophysiology， 2012，123（1）：106-116.

[17] KRIKID F， CHAIBI S， KARFOUL A， et al. A comparative study between three epileptic high frequency oscillations detection strategies[C]. 2020 17th International Multi-Confe-rence on Systems， Signals & Devices （SSD）， 2020.

[18] OCHI A， OTSUBO H， DONNER E J， et al. Dynamic changes of ictal high-frequency oscillations in neocortical epilepsy： using multiple band frequency analysis[J]. Epilepsia， 2007， 48（2）：286-296.

[19] ALKAWADRI R， GASPARD N， GONCHAROVA I I， et al. The spatial and signal characteristics of physiologic high frequency oscillations[J]. Epilepsia， 2014，55（12）：1986-1995.

[20] ALKAN A， KOKLUKAYA E， SUBASI A. Automatic seizure detection in EEG using logistic regression and artificial neural network[J]. Journal of Neuroscience Methods， 2005，148（2）： 167-176.

[21] IBARZ J M， FOFFANI G， CID E， et al. Emergent dynamics of fast ripples in the epileptic hippocampus[J]. Journal of Neuros-cience， 2010，30（48）：16249-16261.

[22] PARK Y， LUO L， PARHI K K， et al. Seizure prediction with spectral power of EEG using cost-sensitive support vector machines[J]. Epilepsia， 2011，52（10）：1761-1770.

[23] CHUA K C， CHANDRAN V， ACHARYA U R， et al. Application of higher order spectra to identify epileptic EEG[J]. Journal of Medical Systems， 2011，35（6）：1563-1571.

[24] CHAIBI S， SAKKA Z， LAJNEF T， et al. Automated detection and classification of high frequency oscillations （HFOs） in human intracereberal EEG[J]. Biomedical Signal Processing and Control， 2013， 8（6）：927-934.

[25] JRAD N， KACHENOURA A， MERLET I， et al. Automatic detection and classification of high-frequency oscillations in depth-EEG signals[J]. IEEE Transactions on Biomedical Engineering， 2017，64（9）：2230-2240.

[26] BURNOS S， HILFIKER P， S?R?C? O， et al. Human intracranial high frequency oscillations （HFOs） detected by automatic time-frequency analysis[J]. Clinical Neurophysiology， 2014，125（4）：S255-S255.

[27] WAN T， WU M， WAN X， et al. Automatic detection of high frequency oscillations based on Fuzzy entropy and Fuzzy neural network[C]. 2016 35th Chinese Control Conference （CCC）， 2016：5027-5032.

[28] L?PEZ-CUEVAS A， CASTILLO-TOLEDO B， MEDINA-CEJA L， et al. An algorithm for on-line detection of high frequency oscillations related to epilepsy[J]. Computer Methods and Programs In Biomedicine， 2013，110（3）：354-360.

[29] WU M， WAN T， WAN X， et al. Fast， accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods[J]. Neural Computation， 2017，29（1）： 194-219.

[30] FANG Z， WAN X， WAN T. Fast automatic localization of epileptic seizure onset zones using complex morlet wavelet transform-based singular value decomposition[C]//第37屆中國控制會議論文集（C）， 2018-07，湖北武漢，2018：894-898.

[31] ZHANG Y， ZHOU W， YUAN S. Multifractal analysis and relevance vector machine-based automatic seizure detection in intracranial EEG[J]. International Journal of Neural Systems， 2015，25（6）：1550020.

[32] WANG X， XIANGHUAN L， CHEN Z G， et al. Localization of epileptogenic foci by automatic detection of high-frequency oscillations based on waveform feature templates[J]. Inter-national Journal of Intelligent Systems， 2022，37（12）：11506-11521.

[33] WORRELL G A， GARDNER A B， STEAD S M， et al. High-frequency oscillations in human temporal lobe： simultaneous microwire and clinical macroelectrode recordings[J]. Brain， 2008，131（4）：928-937.

[34] VAN PUTTEN M J， KIND T， VISSER F， et al. Detecting temporal lobe seizures from scalp EEG recordings： a compare-son of various features[J]. Clinical Neurophysiology， 2005，116（10）：2480-2489.

[35] 杜玉曉，陳崇毅.基于腦電高頻振蕩節(jié)律的癲癇始發(fā)區(qū)快速定位算法研究[J].廣東工業(yè)大學(xué)學(xué)報，2015，32（4）：60-66.

[36] HAVEL T， KUDL??EK J， JIRU?KA P， et al. Analysis of high-frequency activity in electroencephalogram of animal epilepsy model[C]. 2015 International Workshop on Compu-tational Intelligence for Multimedia Understanding （IWCIM）， 2015：1-5.

[37] LIU S， INCE N F， SABANCI A， et al. Detection of high frequency oscillations in epilepsy with K-means clustering method[C]. International IEEE/EMBS Conference on Neural Engineering， 2015： 934-937.

[38] CIMBALNIK Jan， KLIMES Petr， SLADKY Vladimir， et al. Multi-feature localization of epileptic foci from interictal， intracranial EEG[J]. Clinical Neurophysiology， 2019，130（10）：1945-1953.

[39] JRAD N， KACHENOURA A， MERLET I， et al. Classification of high frequency oscillations in epileptic intracerebral EEG[C]. 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）， 2015： 574-577.

[40] LIU S， PARVIZI J. Cognitive refractory state caused by spontaneous epileptic high-frequency oscillations in the human brain[J]. Science Translational Medicine， 2019， 11（514）：7830.

[41] LAI D， ZHANG X， MA K， et al. Automated detection of high frequency oscillations in intracranial EEG using the combi-nation of short-time energy and convolutional neural networks[J]. IEEE Access， 2019，7：82501-82511.

[42] MA K， LAI D， CHEN Z， et al. Automatic detection of high frequency oscillations （80-500 Hz） based on convolutional neural network in human intracerebral electroencephalogram [C]. 2019 41st Annual International Conference of the IEEE Engineering in Medicine & Biology Society （EMBC）， 2019：5133-5136.

[43] BLANCO J A， STEAD M， KRIEGER A， et al. Unsupervised classification of high-frequency oscillations in human neoco-rtical epilepsy and control patients[J]. Journal of Neurophysi-ology， 2010， 104（5）： 2900-2912.

[44] LIU S， SHA Z， SENCER A， et al. Exploring the time-frequency content of high frequency oscillations for automated identifica-tion of seizure onset zone in epilepsy[J]. Journal of Neural Engineering， 2016， 13（2）： 026026.

[45] 陳文靜，闞增輝，張馨月，等.基于顱內(nèi)腦電高頻振蕩信號自動檢測的癲癇灶定位[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程，2019，32（2）： 167-172.

[46] D?MPELMANN M， JACOBS， et al. Automatic 80-250 Hz ''ripple'' high frequency oscillation detection in invasive subdural grid and strip recordings in epilepsy by a radial basis function neural network[J]. Clinical Neurophysiology Shannon， 2012，123（9）：1721-1731.

[47] QIN H， WU M， WAN X， et al. Stacked sparse autoencoder based automatic detection of ripples and fast ripples in epilepsy[C]. 2020 39th Chinese Control Conference （CCC）， 2020：539-543.

[48] MILON-HARNOIS G， JRAD N， SCHANG D， et al. Deep learning for scalp high frequency oscillations identification[C]. 2022 30th European Signal Processing Conference （EUSIPCO）， 2022：1223-1227.

[49] CHAIBI S， LAJNEF T， SAMET M， et al. Detection of high frequency oscillations （HFOs） in the 80-500 Hz range in epilepsy recordings using decision tree analysis[C]. IEEE IPAS14： International Image Processing Applications and Systems Conference 2014， 2014.

[50] WANG X， LING Y， LING X， et al. A particle swarm algorithm optimization-based SVM–KNN algorithm for epileptic EEG recognition[J]. International Journal of Intelli- gent Systems， 2022，37（12）：11233-11249.

作者簡介：

李向歡（第一作者），男，1997年生，碩士研究生，主要研究方向：腦電信號檢測、智能信號處理以及腦機接口。? ? ? ? ?E-mail： lixh9702@163.com

杜玉曉（通信作者），男，1973年生，副教授，碩士生導(dǎo)師，主要研究方向：醫(yī)療器械設(shè)備及腦機接口（BCI）技術(shù)、數(shù)字圖像處理、自動化裝備與集成。E-mail： yuxiaodu@gdut.edu.cn

凌宇，男，1999年生，碩士研究生，主要研究方向：腦機接口、癲癇腦電信號的特征提取與分類。

* 基金項目：國家自然科學(xué)基金（61976059，61640213）