基于视频的婴儿癫痫性痉挛综合征检测：建模、检测与评估

丁黎辉^1,2，付立军^1,3，杨光^4,5,6，万林^4,5，常志军⁷

（1. 中国科学院 沈阳计算技术研究所，沈阳 110168；2. 中国科学院大学，北京 100049；3. 山东大学 大数据与人工智能技术实验室，济南 250100；4. 中国人民解放军总医院第七医学中心 儿科，北京 100700；5. 中国人民解放军总医院第一医学中心 儿科，北京 100853；6. 南方医科大学 第二临床医学院，广州 510280；7. 中国科学院 国家科学图书馆，北京 100190）  

摘要：基于临床观察的行为评分仍然是筛查、诊断和评估婴儿癫痫性痉挛综合征（IESS）的金标准。准确识别痉挛发作对于临床诊断和评估至关重要。本研究提出了一种基于视频特征识别的创新性痉挛检测方法。为了有效捕捉视频中痉挛行为的时间特征，引入了非对称卷积和CBR模块。具体来说，在3D-ResNet残差块中，将较大的卷积核拆分为两个非对称3D卷积核，这些卷积核串联连接，以增强卷积层在水平和垂直方向提取局部关键特征的能力。此外，引入了3D-CBAM注意力模块，高效增强视频帧通道之间的空间相关性。为了提高模型的泛化能力，设计了一种复合损失函数，将交叉熵损失与三元组损失结合，以平衡分类需求和相似性要求。使用PLA IESS-VIDEO数据集对我们的方法进行了训练和评估，取得了90.59%的平均痉挛识别准确率、90.94%的精准率和87.64%的召回率。为了进一步验证其泛化能力，使用六个不同的患者监测视频进行外部验证，并与来自多个医疗中心的六位专家的评估结果进行对比。最终测试结果表明：我们的方法达到了0.6476的灵敏度，超过了人类专家的平均水平0.5595，同时获得了0.7219的高F1分数。这些发现对长期评估婴儿癫痫性痉挛综合征患者具有重要意义。 

关键词：婴儿癫痫性痉挛综合征，基于视频的痉挛检测，非对称卷积，3D-ResNet，注意力机制    

扫描二维码全文浏览  Cite this article

Ding, L., Fu, L., Yang, G. et al. Video-Based Detection of Epileptic Spasms in IESS: Modeling, Detection, and Evaluation. J. Shanghai Jiaotong Univ. (Sci.) 30, 1–9 (2025). https://doi.org/10.1007/s12204-024-2789-x