SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG

📄 arXiv: 2602.11801v1 📥 PDF

作者: Elham Rostami, Aref Einizade, Taous-Meriem Laleg-Kirati

分类: cs.LG

发布日期: 2026-02-12

备注: 5 pages, 4 figures

💡 一句话要点

SpaTeoGL：时空图学习用于颅内脑电癫痫起始区可解释性分析

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 癫痫起始区定位 颅内脑电 时空图学习 图信号处理 癫痫网络分析

📋 核心要点

  1. 颅内脑电(iEEG)癫痫起始区(SOZ)定位困难，现有方法难以有效捕捉复杂时空动态。
  2. SpaTeoGL通过联合学习空间图（电极间交互）和时间图（窗口间相似性）来分析癫痫网络。
  3. 实验表明，SpaTeoGL在SOZ分析中与基线方法相比具有竞争力，并提升了非SOZ区域的识别。

📝 摘要（中文）

癫痫起始区(SOZ)的精确定位对于癫痫手术至关重要，但受到复杂时空癫痫动态的挑战。本文提出了SpaTeoGL，一个用于可解释癫痫网络分析的时空图学习框架。SpaTeoGL联合学习窗口级别的空间图，捕捉颅内脑电(iEEG)电极之间的相互作用，以及基于空间结构相似性连接时间窗口的时间图。该方法在平滑图信号处理框架内公式化，并通过具有收敛保证的交替块坐标下降算法求解。在多中心iEEG数据集上的实验结果表明，SpaTeoGL与基于水平可见性图和逻辑回归的基线方法相比具有竞争力，同时提高了非SOZ识别率，并为癫痫发作起始和传播动态提供了可解释的见解。

🔬 方法详解

问题定义：该论文旨在解决从颅内脑电(iEEG)信号中精确定位癫痫起始区(SOZ)的问题。现有方法难以有效捕捉癫痫发作复杂的时空动态，导致SOZ定位不准确，且缺乏对癫痫发作起始和传播机制的深入理解。

核心思路：论文的核心思路是利用时空图学习来建模iEEG信号。通过构建空间图来捕捉不同电极之间的相互作用，并构建时间图来连接具有相似空间结构的脑电活动窗口。这种时空联合建模能够更全面地反映癫痫发作的动态过程。

技术框架：SpaTeoGL框架包含以下主要步骤：1) 数据预处理：对iEEG信号进行分窗处理。2) 空间图学习：在每个时间窗口内，基于iEEG信号构建空间图，节点代表电极，边代表电极之间的相互作用。3) 时间图学习：基于不同时间窗口的空间图的相似性，构建时间图，节点代表时间窗口，边代表窗口之间的关联。4) 图信号处理：在学习到的时空图上进行图信号处理，提取与SOZ相关的特征。5) SOZ分类：利用提取的特征进行SOZ分类。

关键创新：该论文的关键创新在于提出了一个联合学习空间图和时间图的时空图学习框架。与传统方法相比，SpaTeoGL能够同时捕捉癫痫发作的空间和时间动态，从而更准确地定位SOZ。此外，该方法还具有可解释性，能够提供关于癫痫发作起始和传播机制的见解。

关键设计：论文采用平滑图信号处理框架，并使用交替块坐标下降算法求解。空间图和时间图的学习目标是使图信号尽可能平滑，同时保证图结构的稀疏性。损失函数包括数据拟合项、图平滑项和稀疏性约束项。算法通过交替优化空间图和时间图的结构，最终得到一个能够有效反映癫痫发作时空动态的图结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SpaTeoGL在多中心iEEG数据集上与基于水平可见性图和逻辑回归的基线方法相比具有竞争力，同时提高了非SOZ识别率。这表明SpaTeoGL能够更准确地区分SOZ和非SOZ区域，从而提高癫痫手术的成功率。具体性能提升数据未知。

🎯 应用场景

SpaTeoGL可应用于癫痫手术的术前评估，帮助医生更准确地定位癫痫起始区，提高手术成功率。此外，该方法还可以用于研究癫痫发作的机制，为开发新的治疗方法提供理论基础。未来，该研究或可扩展到其他神经系统疾病的分析，例如帕金森病和阿尔茨海默病。

📄 摘要（原文）

Accurate localization of the seizure onset zone (SOZ) from intracranial EEG (iEEG) is essential for epilepsy surgery but is challenged by complex spatiotemporal seizure dynamics. We propose SpaTeoGL, a spatiotemporal graph learning framework for interpretable seizure network analysis. SpaTeoGL jointly learns window-level spatial graphs capturing interactions among iEEG electrodes and a temporal graph linking time windows based on similarity of their spatial structure. The method is formulated within a smooth graph signal processing framework and solved via an alternating block coordinate descent algorithm with convergence guarantees. Experiments on a multicenter iEEG dataset with successful surgical outcomes show that SpaTeoGL is competitive with a baseline based on horizontal visibility graphs and logistic regression, while improving non-SOZ identification and providing interpretable insights into seizure onset and propagation dynamics.