vEpiSet

带空间分布信息的间发作性癫痫放电EEG数据集

摘要发作间期癫痫样放电（IED）及其空间分布对于癫痫的诊断、分类和治疗至关重要。由脑电图（EEG）专家进行的人工注释导致了公开可用数据集在多个癫痫中心的缺乏，这阻碍了自动IED检测的发展。我们提供了一个EEG数据库，其中包含来自84位患者的注释过的间发作性癫痫EEG数据。我们从每个患者那里提取了20分钟的连续原始EEG数据，总共累积了28个小时。IED和意识状态（清醒/睡眠）都被至少3位EEG专家仔细地注释。基于发生区域，放电被分类为五种类型：全面性IED、额叶IED、颞叶IED、枕叶IED和中央顶IED。所有EEG数据都被划分为4秒钟的时间段。这产生了2,516个IED时间段和22,933个非IED时间段。我们开发了一个VGG模型，用于训练并在当前数据集上验证IED的检测。意识信息的整合提高了模型的性能，尤其是在高敏感性水平上。此外，我们的数据集证明可以作为一个稳健的工具，用于验证现有的IED检测模型，以及根据空间分布自动分类IED类型。

数据集中患者的年龄分布。

脑电图（EEG）电极放置示意图，包括用于分类IEDs的五个空间区域。

根据空间位置分类的每种IED类型的百分比和数量。

全面性IED 额叶IED 颞叶IED 中央顶IED 枕叶IED 精确度 敏感性
全面性IED 504 48 8 5 8 0.913 0.880
额叶IED 40 329 68 8 13 0.760 0.718
颞叶IED 7 41 631 5 18 0.812 0.899
中央顶IED 0 5 13 348 0 0.935 0.951
枕叶IED 1 10 57 6 343 0.898 0.823

上表展示了一个源自五折交叉验证的混淆矩阵，该矩阵专为五种IED类型的分类定制。VGG模型表现出了显著的性能，精确度和敏感性均达到了70%以上。这个结果进一步证明了我们的数据集在基于空间分布的IED类型训练和分类中的高应用性和有效性。



[1] Nan Lin, Weifang Gao, Heyang Sun, Junhui Chen, Yisu Dong, Zi Liang, Haibo He, Peng Hu, Liying Cui, Qiang Lu,
An EEG dataset for interictal epileptiform discharge with spatial distribution information,
Scientific Data, Volume 11, Article 211, 2024,
https://doi.org/10.1038/s41597-024-03047-x

vEpiNet

基于视频和脑电图数据的多模式发作间期癫痫样放电检测方法

摘要 为了增强基于深度学习的发作间期癫痫样放电(IED)自动检测，本研究利用视频和脑电图(EEG)数据，提出了一种多模态方法vEpiNet。数据集包括来自484名患者的24,931个IED和166,094个非IED的4秒视频+脑电图片段。视频数据通过提出的患者检测方法进行处理，采用帧差和简单关键点(SKPS)捕捉患者的运动。脑电图数据通过EfficientNetV2进行处理。视频和脑电图特征通过多层感知器进行融合。我们开发了一个名为nEpiNet的对照模型，以测试vEpiNet中视频特征的有效性。我们使用了10折交叉验证进行测试。结果显示，10折交叉验证在两个模型中都表现出较高的接收者操作特征曲线下面积(AUROC)，其中vEpiNet的AUROC(0.9902)略优于nEpiNet(0.9878)。此外，为了测试模型在现实世界场景中的性能，我们设置了一个前瞻性测试数据集，包含来自50名患者的215小时原始视频+脑电图数据。结果显示，vEpiNet实现了0.8623的精确率-召回率曲线下面积(AUPRC)，超过了nEpiNet的0.8316。整合视频数据将在80%敏感性下的精度从70%(95% CI，69.8%-70.2%)提高到76.6%(95% CI，74.9%-78.2%)，并将假阳性减少近三分之一，vEpiNet平均处理一小时视频+脑电图数据时间为5.7分钟。我们的发现表明视频数据可以显著提高IED检测的性能和精度，特别是在前瞻性的真实临床测试中。这表明vEpiNet是一种在现实世界应用中临床可行且有效的IED分析工具。

多模态方法概述。数据来自两个主要来源：电信号和视频数据。提出的vEpiNet还包含两个分支：上面的分支处理并从电信号中提取特征，底部分支处理并从视频数据中提取运动特征。最后，两个来源的特征被融合在一起，分类器基于它们做出决策。

不同模型的比较。 (a) vEpiNet和nEpiNet模型在回顾性和前瞻性测试集上的精度-召回(PR)曲线。 (b) vEpiNet和nEpiNet模型在回顾性和前瞻性测试集上的接收者操作特征(ROC)曲线。 (c) nEpiNet、ResnEpiNet和VggnEpiNet的精度-召回(PR)曲线。 (d) vEpiNet、ResvEpiNet和VggvEpiNet的精度-召回(PR)曲线。



[1] Nan Lin, Weifang Gao, Lian Li, Junhui Chen, Zi Liang, Gonglin Yuan, Heyang Sun, Qing Liu, Jianhua Chen, Liri Jin, Yan Huang, Xiangqin Zhou, Shaobo Zhang, Peng Hu, Chaoyue Dai, Haibo He, Yisu Dong, Liying Cui, Qiang Lu,
vEpiNet: A multimodal interictal epileptiform discharge detection method based on video and electroencephalogram data,
Neural Networks, Volume 175, 2024, 106319,
https://doi.org/10.1016/j.neunet.2024.106319

vEpiNetV2

多模态发作间期癫痫样放电自动检测模型的开发与验证：一项前瞻性多中心研究

摘要 发作间期癫痫样放电（IED）的人工识别具有专家依赖性且耗时。准确的自动IED检测模型可以促进癫痫诊断。本研究旨在开发一种多模态IED检测模型（vEpiNetV2）并进行多中心验证。我们构建了一个大型训练数据集，包含来自北京协和医院（PUMCH）530名患者的26,706个IED和194,797个非IED的4秒视频脑电图片段。使用基于视频和脑电图（EEG）特征的深度学习构建自动IED检测模型。我们提出了坏导联去除模型和患者检测方法，以提高vEpiNetV2在多中心验证中的鲁棒性。在来自三个癫痫中心的前瞻性多中心测试数据集中验证了性能：北京协和医院（PUMCH）、山东大学附属儿童医院（SDQLCH）和北京天坛医院（BJTTH）。整合视频和EEG特征的多模态IED检测模型表现出高精度和鲁棒性。大规模多中心验证证实了其在实际临床应用中的潜力以及视频特征在IED分析中的价值。

vEpiNetV2概述。该模型包含两个关键组件：脑电模型（左）和视频处理模型（右）。脑电和视频数据被提取和处理以生成电信号和视频特征向量。这些特征随后被融合在一起，分类器基于组合特征做出决策。

中心 患者数 年龄（均值） IED数 AUPRC AUC 精确度@80%敏感性
北京协和医院 54 27 (9-70) 2,680 0.76 0.98 61.5%
山大附属儿童医院 51 9 (0.1-19) 3,669 0.80 0.96 66.9%
北京天坛医院 44 30 (9-65) 2,883 0.76 0.98 53.2%

多中心验证结果。vEpiNetV2在三个癫痫中心展现了良好的IED检测准确性，测试数据集共包含149名患者377小时的视频脑电数据和9,232个IED。视频特征在各中心提高了5-9%的精确度。

vEpiNetV2在三个癫痫中心的检测示例。垂直线表示在2秒窗口内存在IED。AI预测置信度显示在检测线底部（最大值为1.000）。



[1] Nan Lin, Lian Li, Weifang Gao, Peng Hu, Gonglin Yuan, Heyang Sun, Fang Qi, Lin Wang, Shengsong Wang, Zi Liang, Haibo He, Yisu Dong, Zaifen Gao, Xiaoqiu Shao, Liying Cui, Qiang Lu,
Development and validation of a multimodal automatic interictal epileptiform discharge detection model: a prospective multi-center study,
BMC Medicine, Volume 23, Article 479, 2025,
https://doi.org/10.1186/s12916-025-04316-3

EEG-VL

结合视觉特征与大语言模型的自动癫痫发作检测

摘要 基于脑电图的癫痫发作检测对准确性的需求日益增长，需要更复杂且语义信息丰富的方法。传统方法往往难以捕捉脑电信号中固有的复杂时空模式，且通常缺乏高层次的上下文理解。在本研究中，我们提出了EEG-VL，一种新颖的视觉语言框架，将脑电信号视为视觉模式，并与大语言模型结合以提高发作检测性能。具体而言，使用预训练的EfficientNet编码器从脑电表示中提取抽象视觉特征，这些特征被嵌入到结构化提示中，并由Qwen语言模型处理。该设计协同结合了卷积网络的空间建模能力与大语言模型的语义推理优势。在TUSZ和CHB-MIT数据集上的大量实验表明，EEG-VL达到了最先进的性能。

EEG-VL架构概述。该框架集成了预训练的2D视觉编码器（将原始多通道脑电信号转换为视觉特征表示）和Qwen2.5-0.5B语言模型解码器（处理这些特征和结构化文本提示以生成发作/非发作分类）。

模型 AUPRC AUROC 精确度@60%召回率 特异性
EEGNet 0.6415 0.9181 0.6186 0.9767
EEG-TCNet 0.6111 0.9085 0.5285 0.9661
EEG2VIT 0.6662 0.9287 0.6865 0.9827
EEG-VL（本文） 0.7599 0.9466 0.8214 0.9917

TUSZ数据集结果。EEG-VL达到了最先进的性能，AUPRC为0.7599，AUROC为0.9466，分别超过之前最佳结果8.19%和0.80%。

TUSZ数据集性能比较。(a) 不同模型在发作检测任务上的精确率-召回率曲线；(b) ROC曲线。EEG-VL在不同操作阈值下始终表现优异。



[1] Zi Liang, Peng Hu, Lian Li, Zebang Cheng, Yisu Dong, Haibo He, Qiang Lu, Nan Lin,
EEG-VL: Integrating Visual Features with Large Language Models for Automated Seizure Detection,
2025 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), pp. 4620-4627,
DOI: 10.1109/BIBM66473.2025.11356689

vEpiSpy

基于vEpiNet的多模态AI癫痫样放电检测系统

vEpiSpy系统首次做到了将患者的视频和脑电数据相结合,完全模拟了医生在使用脑电图时的标注手法,从而大幅度提高了脑电AI检测的准确率,在临床试用中特异性和敏感性分别能够达到90%、80%,误判率低于40%,媲美人类脑电专家的读图水平。同时,vEpiSpy系统和医院使用的脑电软件无缝结合,医生无需额外操作,直接就能看到由 AI标注过的脑电结果。在vEpiSpy系统的辅助下,医生的读图时间平均缩短了三分之一,效率平均提升约50%,大大节省了医生人力。
vEpiSpy配置平台，程序自动运行，持续读取脑电文件并自动打标
与脑电软件无缝结合，医生可以直接看到AI异常标注点
在全国各大医院陆续使用中

专利

14项授权专利

癫痫发作间期的异常放电检测方法、装置、介质及设备
人脑异常放电检测方法、装置、存储介质及电子设备
癫痫发作间期的异常放电检测方法、装置、介质及设备
脑电信号处理方法及相关装置
癫痫样放电检测方法及相关装置
脑电异常检测方法、装置、设备及存储介质
癫痫发作检测方法、装置、设备及存储介质
脑电信号分析方法、装置、设备及存储介质
多模态脑电检测方法、装置、设备及存储介质
视频脑电融合检测方法及相关装置
脑电异常放电定位方法及相关装置
深度学习脑电分析方法及相关装置
多中心脑电检测模型及相关装置
异常放电检测方法、模型训练方法、装置、介质及设备

新闻

2023年9月7日

vEpiSpy正式亮相第二十六届全国神经病学学术大会，北京协和医院神经科林楠医生发表了《基于YOLOv5和SKPS人体动作捕捉模型的多模态癫痫样放电检测系统》的报告，获得了与会专家的一致好评。