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。