基于可穿戴臂环加速度计与光电容积脉搏波信号融合的深度学习模型在夜间癫痫发作检测中的应用与性能评估

　　本研究针对夜间癫痫发作导致的意外猝死风险，开发了一种结合加速度计（ACM）与光电容积脉搏波（PPG）信号的双阶段深度学习检测系统。通过阈值预筛选与CNN-LSTM-注意力机制模型，在68名患者6304小时数据中实现了76.2%的敏感度和0.165次/小时的误报率，为居家环境下的持续癫痫监测提供了有效解决方案。

　　

癫痫作为一种慢性神经系统疾病，全球约有5000万活动性患者，其中30%为难治性癫痫。患者面临癫痫发作导致的损伤、癫痫持续状态甚至猝死（SUDEP）等风险，而夜间发作的监测尤其困难。临床金标准视频脑电图（EEG）监测存在不适感强、活动受限等问题，不适合长期家庭使用。现有研究多基于医院环境的单模态信号（如EEG、ECG或ACM），存在泛化性差、误报率高的问题，且缺乏对真实家庭环境长期监测的验证。

为此，研究人员开发了一种基于可穿戴臂环（NightWatch?）的双阶段检测系统，通过融合三轴加速度计（ACM）和光电容积脉搏波（PPG）信号，实现对夜间严重癫痫发作的准确检测。该研究前瞻性收集了68名患者长达三个月的家庭监测数据，总计788个夜间记录（6304小时），包含1846次严重发作事件。研究采用预筛选阶段（基于ACM标准差>0.4或心率增加>10%的阈值算法）快速排除81%的非发作数据，再通过深度学习模型（CNN-LSTM结合注意力机制）对疑似段进行精细分类。结果显示系统整体灵敏度达71.6%，误报率仅0.165次/小时，显著优于单模态方法。该成果发表于《Computer Methods and Programs in Biomedicine》，为降低SUDEP风险提供了可行的技术路径。

研究采用的关键技术方法包括：1) 使用NightWatch?可穿戴臂环采集三轴ACM（11-12Hz）和PPG（100Hz）信号，经质量控制后保留788夜数据；2) 设计双阶段处理流程：先通过阈值算法预筛选疑似发作段（灵敏度94%），再对标准化5分钟片段提取9维特征（包括标准差、熵、主导频率等）；3) 构建CNN-LSTM-注意力混合模型，采用患者分层10折交叉验证评估性能。

研究结果如下：

预筛查性能

通过双阈值策略（运动活跃与心率增加）从6304小时数据中识别14417个疑似事件，包含1846次严重发作，预筛查灵敏度达94%，数据量减少81%。

深度学习分类结果

CNN-LSTM-注意力模型在10折交叉验证中平均AUC为0.793（95%CI: 0.745-0.841），灵敏度76.2%，阳性预测值33.4%。多模态融合（ACM+PPG）性能显著优于单模态（ACM-only AUC 0.731；PPG-only AUC 0.595）。

生理时序特征分析

发现心率增加平均早于运动发作约100秒，且心率峰值与运动起始时间接近，提示心脏活动变化可作为早期检测指标。

误报率与个性化差异

整体误报率0.165次/小时，但患者间性能差异较大。少数发作次数极少的患者（1-2次）统计可靠性低，而伴较多轻微发作的患者易出现误报。

讨论与结论：

本研究创新性地揭示了癫痫发作中心率变化早于运动表现的生理现象，并通过多模态信号融合与注意力机制有效提升了检测可靠性。双阶段框架兼顾计算效率与准确性，预筛查减少81%数据处理量，深度学习模型实现76.2%的灵敏度与0.165次/小时的误报率。相比单一ECG/PPG方案（灵敏度≤71%，误报率≥1.8次/小时），本系统显著优化了临床可用性。局限性包括患者间发作频率差异大模型泛化性待提升，以及PPG信号在运动中的不稳定性。未来需扩大样本多样性、探索个性化模型及数据增强技术。该系统为家庭环境下的长期癫痫监测提供了实用解决方案，不仅可降低SUDEP风险，还为研究睡眠剥夺、压力、酒精摄入等生活方式相关触发因素提供了技术基础。