药物难治性癫痫（RE）患者，其特征是两种适当且耐受的抗癫痫药物的充分试验治疗失败，被认为与大脑内部病变有关。然而，约20-40%的RE患者在常规磁共振成像（MRI）扫描中未显示明显的结构异常（RE-no-SA）。这些RE-no-SA患者可能被误诊为药物控制性癫痫（MCE）患者，因为大多数MCE患者没有明显的结构异常。这样的误诊可能进一步导致不恰当的治疗和严重的身体负担的病人。为了解决区分RE no SA患者和MCE患者之间的差距，一些研究人员提出使用改进的成像方法，包括MRI和单光子发射计算机断层扫描图像的融合，扩散张量成像和神经突起定向弥散和密度成像，检测MRI上较难检查的可能结构变化。然而，在临床上，尤其是在发展中国家，用这些高成本的多种检测方法来鉴定RE-no-SA患者是不现实的。

本研究中，本文收集了14例MCE患者和16例RE-no-SA患者的静息状态脑电图信号，并对功能网络（非方向连接度线性估计-频域相干）和有效网络（方向连接度非线性估计-时域熵传递）的连接强度进行了估计。每名患者的脑电图在最初诊断时或随后就诊时收集，在无癫痫发作期间至少记录24小时的视频脑电图数据。这些片段由两位资深医生确认，以确保在静息状态下记录下来。根据不同癫痫患者的静息状态脑电信号来评估功能性和有效性网络。考虑了六个已知频段，包括δ频段（0.1–4 Hz）、θ频段（4–8 Hz）、α频段（8–13 Hz）、β频段（13–30 Hz）、γ频段（30–100 Hz）和全频段（0.1–100 Hz）。利用相干性来测量每对电极之间的连接强度。

将网络特性（包括聚类系数、特征路径长度、全局效率和局部效率）应用于加权相干矩阵以获得功能网络的基本特征。SPN（空间网络模式 ）特征能够很好地捕捉到大脑网络中隐藏的空间信息。对于每种类型的特征，引入支持向量机（SVM）分类器来学习特征的分布，并应用网格搜索方法来确定优化的参数集。SPN特征和网络特性的计算方法与训练过程相同。注意，在训练过程中获得的SPN滤波器也用于提取测试数据集的相应SPN特征。利用训练好的SVM分类器，根据相应的网络特性和SPN特征对测试数据集进行分类。对于功能性和有效性的脑网络，SPN特征在对RE no SA患者和MCE患者进行分类时显示出明显优于网络特性。将功能网络和有效网络的SPN特征直接连接在一起，形成一个新的高维特征空间。

从静息状态EEG脑段提取RE-no-SA和MCE患者SPN特征的方法

首先从EEG信号中构建了不同频段的功能有效网络。。因此，根据网络特性很难区分这两个组。相反，SPN滤波器提取的空间特征可以有效区分这两种类型的癫痫患者。对于不同的频段，无论是功能网络还是有效网络，基于SPN特征的识别性能都明显优于基于融合网络特性的识别性能。SPN特征的分类性能受频带的影响很大。功能网络在beta频段的SPN特征具有最高的识别率，准确率为90.00%，而有效网络在全频段的性能最好（80.00%）。另外，SPN滤波器的选择对分类性能也有很大的影响。在本研究中，对于功能性和有效性网络，对SPN滤波器提取的空间特征最适合于RE-no-SA患者和MCE患者的分类。

基于SPN特征的分类性能表明，RE-no-SA患者与MCE患者之间的差异存在于功能和有效网络中。虽然RE-no-SA患者和MCE患者的低维网络特征不能反映两者之间的差异，但大多数脑区的连接强度仍存在增加和减少的现象。两组在最明显频带内的功能和有效网络的显著不同的连接性强度（p<0.01）。MCE患者的功能网络比较中，RE-no-SA患者的顶叶和颞叶之间的连接强度增加。RE-no-SA患者在涉及额叶、枕叶和顶叶的多个脑区之间的连接强度降低。

RE-no-SA患者和MCE患者在功能性和有效性网络的连接强度上有显著差异（p<0.01）

理论上，由第一对SPN滤波器提取的SPN特征对两组癫痫患者最具鉴别能力。值得注意的是，连接性强度的比较和SPN滤波器都可以反映MCE患者和RE-no-SA患者之间连接性的差异。这两类脑网络的空间特征可以提高预测性能。由于功能网络和有效网络之间的潜在相似性，在最佳频带内直接融合这两类SPN特征可能无法保证最佳结果。基于头皮静息状态脑电网络空间模式的足够差异，区分RE-no-SA患者和MCE患者是可行的。本文方法是基于休息状态头皮脑电图信号固有的独特网络模式，不需要长期的治疗观察，但是患者数量还比较小。

综上所述，本文建议使用融合的功能性和有效连通性的空间特征来区分RE-no-SA患者和MCE患者。

Y. Lin et al., "Identifying Refractory Epilepsy Without Structural Abnormalities by Fusing the Common Spatial Patterns of Functional and Effective EEG Networks," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 29, pp. 708-717, 2021, doi: 10.1109/TNSRE.2021.3071785.