基于量化脑电图分析和非线性动力学模型对非惊厥癫痫持续状态进行快速辅助诊断的研究

Nonlinear dynamic modeling and method of delay, as well as quantitative analysis of electrophysiological signals such as EEGs and ECoGs, are very important in the diagnosis and control of epilepsy. Some status epilepticus (SE), such as generalized nonconvulsive status epilepticus (NCSE), have very similar clinical symptoms to some nonepileptic encephalopathies, typically toxic/metabolic encephalopathies (TME), and can produce very similar EEG patterns. This makes the diagnosis of generalized nonconvulsive status epilepticus a challenging problem. Delay or misdiagnosis to status epilepticus may increase the rate of morbidity and mortality. Nonlinear dynamic modeling and reconstruction of the state space, can help differentiate the two different and ambiguous diseases, and reduce the time of accurate diagnosis of generalized NCSE significantly. Also, measures derived from nonlinear dynamic models, such as phase of attractor and short-term maximum Lyapunov exponent (MLE), can be extracted as characteristic measures to help the classification of NCSE and other nonepileptic encephalopathies. The research project targets at the following problems: 1. Find the underlying mechanism that nonlinear dynamic modeling and method of delay are able to differentiate generalized NCSE and TME using EEG analysis； 2. Find and select a set of characteristic measures derived from the reconstructed space from nonlinear dynamic models, so that they as a whole are effective and efficient of identifying generalized NCSE from other nonepileptic encephalopathies; 3. Optimize and make the best use of those selected characteristic measures derived from nonlinear dynamic modeling, to design a robust method to assist the fast and accurate diagnosis of the generalized NCSE in equivocal cases.

电生理信号特别是脑电图对特定种类癫痫的快速有效诊断起到指示性作用。但是，由于临床表现和脑电图特征不明显，普通诊断方法及常规脑电分析不能快速准确的区分全面性非惊厥癫痫持续状态与一些非癫痫性脑病（如有毒代谢性脑病），经常造成误诊或延迟诊断，导致较高的重症率和死亡率。本项目拟通过时间延迟法将脑电信号转换到状态空间，运用非线性动力学模型，对信号进行特殊分析处理，并采用优化分类技术，开展区别非惊厥癫痫持续状态与其他非癫痫性脑病的研究。该研究如获成功，不仅具有一定的临床价值和医学意义，还可能对其他神经科疑难病症的诊断形成借鉴价值。本项目拟通过临床实验和理论分析解决以下问题：1.探索基于非线性动力学模型和脑电记录的有效区分非惊厥癫痫持续状态与非癫痫性脑病的机理；2.找到能针对性地指示非惊厥癫痫持续状态的特异性表征的特征指标组合；3.利用优化、分类和模式识别方法，在状态空间合理配置指标以支持快速有效诊断。

本项目背景：.以脑电图为代表的多通道电生理信号对特定种类癫痫及癫痫持续状态的快速有效诊断起到指示性作用。但是，由于临床表现和脑电图常规特征的区分度不明显，普通诊断方法及常规脑电分析不能快速准确的区分全面性非惊厥癫痫持续状态与一些非癫痫性的脑病（如：有毒代谢性脑病），经常造成误诊或延迟诊断，导致较高的重症率和死亡率。量化脑电分析和非线性动力学建模与有效特征提取能辅助临床来解决这个问题，使得在进一步生化检验（以确定是否患有毒代谢性脑病）之前能够帮助快速辨识是否有（全面性）非惊厥癫痫持续状态，以便争取到时间及早进行准确的针对性的干预治疗。..主要研究内容：.通过多通道的量化脑电分析和非线性动力学建模，采用时间延迟法将脑电信号转换到状态空间，对信号进行维度压缩、特征提取和优化遴选组合，开展区别全面性非惊厥癫痫持续状态与其他非癫痫性脑病的可泛化的分类研究。通过理论分析、数学建模、数据分析和临床验证，研究以下问题：1.基于全面性非惊厥癫痫持续状态和有毒代谢性脑病成因的不同，研究了非线性动力学模型解决该问题的可能性和系统原理；2. 找到了能够有效区分全面性非惊厥癫痫持续状态和有毒代谢性脑病的特征指标组合，作为指示全面性非惊厥癫痫持续状态的特异性表征；3. 通过对模型状态空间等的参数优化、数据分析和临床验证，形成能快速有效的辅助诊断全面性非惊厥癫痫持续状态的软件方法，并完成可泛化的测试。..重要结果：.经过35例临床数据验证和独立可泛化测试，结果表明：患者到临床就诊，记录脑电图40分钟左右，与此同时实时通过多通道量化脑电图分析并给出结论，对全面性非惊厥癫痫持续状态和有毒代谢性脑病的区分准确率可到达到94%以上。..关键数据及其科学意义：.能快速有效的辅助区分全面性非惊厥癫痫持续状态和有毒代谢性脑病，为后续准确的有针对性的干预治疗争取到时间，具有一定临床价值和医学意义。还可能对其他种类癫痫等疑难病症的诊断的方法研究形成借鉴。