组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
可穿戴生物传感器
检测对象
全身强直-阵挛癫痫发作（generalized tonic-clonic seizures, GTC/GTCS）；样品基质：癫痫患者腕部 EDA 与加速度计连续记录（临床长期视频 EEG 监测环境）
检测原理
癫痫发作时，大脑异常放电激活自主神经系统，交感神经介导汗腺活动增强，使皮肤电活动（EDA）升高；同时全身强直-阵挛发作产生节律性肢体运动，使加速度计信号发生特征性变化。腕戴式传感器将皮肤电和加速度转换为连续电信号，算法以 10 秒滑动窗口提取 19 个时域、频域和非线性特征，形成特征向量。支持向量机（SVM）根据这些特征判别癫痫或非癫痫事件。EDA 提供发作相关的自主神经信息，加速度提供运动信息，二者融合相当于对弱运动或早期发作信号进行特征级增强，从而提高检出率并降低误报。
检测灵敏度
原文未报告 LOD、线性范围、灵敏度斜率或相关系数；检测灵敏度: 94%（15/16 GTC 发作）；误报率: 0.74 次/24 h。
效应效果
80 名患者 >4213 h 中，半患者特异算法检出 15/16 次 GTC（94%），130 次误报（0.74 次/24 h）。7 名 GTC 患者 688 h 中误报 28 次（0.98 次/24 h），平均 1.05±0.71 次/24 h；非患者特异模式 88%（14/16），约 1 次/24 h。73 名无 GTC 患者 3525 h 中误报 102 次（0.69 次/24 h），63% 无误报，77% <1 次/24 h。中位电生理延迟 42.95 s，临床延迟 31.42 s。仅加速度计误报 1.5 次/24 h，加入 EDA 降至 1 次/24 h。误报多由快速节律运动触发，可作癫痫报警。
传感器的构成
- 佩戴基底：前臂掌侧皮肤（ventral side of forearms），作为腕戴传感器接触界面
- 换能器电极层：EDA 电极（electrode，材料未报告），采集皮肤电活动
- 运动换能层：加速度计（accelerometry sensor），记录肢体运动加速度
- 信号预处理层：滑动窗口（sliding window，10 s 片段、2.5 s 步进），去除非运动和非节律片段
- 特征识别层：19 个时域、频域和非线性特征（features），构成 EDA 与加速度特征向量
- 分类决策层：支持向量机（SVM），将特征向量分类为癫痫或非癫痫
中文摘要
为满足日常使用癫痫发作检测器在成本、舒适性和社会接受度方面的特殊要求，作者开发了一种基于交感神经介导的皮肤电活动（EDA）和加速度计信号的全身强直-阵挛（GTC）癫痫发作自动检测算法，并使用新型腕戴式生物传感器采集信号。检测问题被建模为监督学习任务：对 EDA 和加速度记录中的 10 秒片段，提取 19 个时域、频域和非线性特征，采用支持向量机（SVM）将其分类为癫痫或非癫痫事件。算法采用双重交叉验证评估，并在 80 名癫痫患者的超过 4213 小时记录中测试。半患者特异模式在 7 名患者的 16 次 GTC 发作中检出 15 次（94%），产生 130 次误报（平均 0.74 次/24 小时）。该算法有望为照护者提供癫痫发作报警系统，并客观量化发作频率。
英文摘要
The special requirements for a seizure detector suitable for everyday use in terms of cost, comfort, and social acceptance call for alternatives to electroencephalography (EEG)-based methods. Therefore, we developed an algorithm for automatic detection of generalized tonic-clonic (GTC) seizures based on sympathetically mediated electrodermal activity (EDA) and accelerometry measured using a novel wrist-worn biosensor. The problem of GTC seizure detection was posed as a supervised learning task in which the goal was to classify 10-s epochs as a seizure or nonseizure event based on 19 extracted features from EDA and accelerometry recordings using a Support Vector Machine. Performance was evaluated using a double cross-validation method. The new seizure detection algorithm was tested on >4,213 h of recordings from 80 patients and detected 15 (94%) of 16 of the GTC seizures from seven patients with 130 false alarms (0.74 per 24 h). This algorithm can potentially provide a convulsive seizure alarm system for caregivers and objective quantification of seizure frequency.