國家科學及技術委員會補助

大專學生研究計畫研究成果報告

計 畫
結合腦電圖功能網路及定量棘波模型來預測兒童良性癲
：
癇的癲癇發作和神經發展的預後
名 稱

報 告 類 別 ： 成果報告
執行計畫學生： 王創進
學生計畫編號： NSTC 112-2813-C-038-008-E
研 究 期 間 ： 112年07月01日至113年02月29日止，計8個月
指 導 教 授 ： 彭徐鈞

處 理 方 式 ： 本計畫可公開查詢

執 行 單 位 ： 臺北醫學大學醫學院人工智慧醫療碩士在職專班

中 華 民 國 113年04月01日
中文摘要
良性兒童癲癇伴腦中央顳葉棘波以下簡稱兒童良性癲癇或 BECT(Benign
childhood epilepsy with centrotemporal spikes)，其腦電棘波(Spikes)在 9 歲達到最
高峰，之後慢慢減少，為自癒性的疾病(self-limited)。本計畫將以腦電圖功能網
路作為工具，探討不同年齡之兒童良性癲癇患者，研究其癲癇棘波腦電圖功能
網路與臨床變數的相關性。另外，對於臨床醫師而言，研究時需要定量分析，
肉眼量化棘波的計算曠日費時，且在許多相似腦電圖訊號的干擾下，現成軟體
辨識不易，常常造成誤判且無法定量分析。本研究試圖透過人工智慧方法，利
用對時序訊號較為敏感的長短期記憶神經網路(Long Short-Term Memory Neural
Network, LSTM)進行棘波偵測，以期達到更高的準確度與敏感度。雖然過去已
有將 LSTM 用於癲癇腦電圖分析的研究，但大多侷限於成人癲癇，對於兒童癲
癇甚少著墨，因此本研究著重於兒童良性癲癇的分析，以期提供臨床實務應用
本研究對病歷進行回溯資料分析，透過四個不同的圖形理論參數分析，如全域
效率(Global efficiency, G)、群集係數(Clustering coefficient, C)、 節 點 強 度(Nodal
strength, N)、 介 數 中 心 性(Betweenness centrality, BC)，量化建構出腦電圖的連
結性網路，並與患者的病歷裡的臨床特徵做相關系性分析，以偏相關分析找出
其中的關係，研究結果顯示在發作年齡的部分，患者棘波腦波的功能性網路與
Delta 頻帶的全域效率呈顯著相關，發作年齡越小，全域效率越強，在其他頻帶
的其他參數上則沒有皆無顯著相關。在癲癇頻率的部分，在所有頻帶的所有參
數中，並沒有看到統計上顯著差異。LSTM 網路的棘波偵測模型建立部分，經
過訓練後，平均準確率為 83.7%，平均召回率(recall)為 78.5%，精確率為 87.4%，
平均 F1 分數為 82.5。

關鍵字: 良性兒童癲癇伴腦中央顳葉棘波、腦電圖、LSTM、圖形理論、功能性
網路、深度學習
英文摘要
This project focuses on benign childhood epilepsy with centrotemporal spikes (BECT),
where the EEG spikes peak at the age of 9 and gradually decrease thereafter,
showcasing a self-limited nature of the disease. The aim is to investigate the correlation
between the epileptic EEG functional network and clinical variables across different
ages of BECT patients, using the EEG functional network as a tool. Moreover, for
clinicians, quantitative analysis of spikes is time-consuming and prone to misjudgment
due to interference from similar EEG signals, which makes recognition by existing
software difficult and lacks quantitative analysis. This study attempts to use artificial
intelligence, specifically the Long Short-Term Memory Neural Network (LSTM),
which is sensitive to time-series signals, for spike detection, aiming for higher accuracy
and sensitivity. While previous research has applied LSTM to the analysis of adult
epilepsy EEG, there has been little focus on childhood epilepsy. Therefore, this study
emphasizes the analysis of BECT, hoping to provide practical clinical applications.

The study conducts a retrospective data analysis of medical records, utilizing four
different graph theoretical parameters - Global Efficiency (G), Clustering Coefficient
(C), Nodal Strength (N), and Betweenness Centrality (BC) - to quantify and construct
the connectivity network of the EEG. It then analyzes the correlation with clinical
features documented in the patients' medical records, using partial correlation analysis
to identify relationships. The results show a significant correlation between the
functional network of spike waves and global efficiency in the Delta band with the age
of onset; the younger the age of onset, the stronger the global efficiency, while no
significant correlations were found in other bands and parameters. Regarding seizure
frequency, no significant differences were observed in any of the parameters across all
bands. For the LSTM network's spike detection model, after training, the average
accuracy was 83.7%, the average recall rate was 78.5%, the precision was 87.4%, and
the average F1 score was 82.5%.

Keywords: benign childhood epilepsy with centrotemporal spike；EEG；graph theory；

functional connectivity；LSTM；deep learning
一、前言
在前年的大專生計畫中，我們將研究成果發表於 SCI 期刊 Biomedicines,
June 2022 29;10(7):1553 上，並於 2022 臺北醫學大學 110 年度科技部大專學
生研究計畫成果競賽獲第四名佳績。校外競賽方面，獲得 2022 民生電子研
討會最佳口頭報告獎與優秀論文獎，研究成果衍生開發的醫療軟體也獲得
2022 第十三屆 IIIC 國際創新發明競賽銀牌獎。因此，本研究接續前年的大
專生計畫成果，將研究內容拓展至棘波率(每分鐘發生棘波的次數)量化，
並與功能性網路的圖形理論指標做連結，探討其相互關係在疾病進程中所
扮演的角色，此部分目前較少研究著眼於此，屬於本次計畫中的創新亮點。
棘波率在 BECT 至為重要, 在過往研究中，棘波率代表 BECTS 嚴重程度的
指標，如果太多(>70-80%)會成為非典型 BECTS；癲癇預後則不佳，且會
影響語言及認知的功能 1; 過去臨床研究用人眼辨視需要耗費許多時間，我
們希望透過此研究開發一個圖形化使用者介面，使臨床醫師在實際判讀及
定量研究上更有效率，整合以上成果並結合第一年計畫的內容，以多變數
迴歸分析來評估此兒童癲癇的認知預後，和 AI 結合以達到精準治療的目的;
最終可以實際當作臨床治療與用藥的參考。

研究目的
1. 兒童良性癲癇功能網路與臨床變數的相關性探討
2. 建立以 LSTM 網路為基礎的腦電圖棘波偵測模型。

二、文獻探討
本計畫乃基於去年大專研究結果進行的延伸。為了確保研究的順暢連接，
以下簡要回顧上一年的研究成果。
在先前的研究中，我們針對資料進行了兩大組別的劃分：第一組探討
BECT 患者在服用抗癲癇藥前後，其腦電圖功能性網路的差異；而第二組
則關注那些未服藥的 BECT 患者，觀察其長時間內腦電圖功能性網路的演
變。
針對第一組，我們在 delta (0.5-4 Hz)、theta (4-8 Hz)、alpha (8-13 Hz)和 beta
(13-30 Hz)這四種頻帶裡，不論使用何種圖形理論的分析方式，皆發現服藥
前後沒有明顯的差異。這可能意味著抗癲癇藥物的使用能夠避免癲癇症狀
的出現，並降低腦部網絡的活躍程度，這使得服藥的 BECT 患者在圖形理
論分析中的表現不會像未服藥的患者那麼活躍。
至於第二組，在進行長期追蹤後，我們發現 BECT 患者的 delta 頻帶功能網
路展現了明顯提高的全域效率(Global efficiency)、平均群集係數(Clustering
coefficient)以 及 平 均 節 點 強 度(Nodal strength)。 但 在 平 均 介 數 中 心 性
(Betweenness centrality)方面，則沒有顯著的差異。
圖一：未服用抗癲癇藥物的 BECT 患者長期監測下，其腦電圖功能性網路的
圖形理論分析結果。

在第二個研究中，我們比較：有癲癇行為的 BECT 患者；無癲癇行為的 BECT

患者，以○ 3 年齡匹配的正常控制組。與控制組比較，我們發現有癲癇行為的
BECT 在 theta 頻帶有顯著增加的全域效率、平均群集係數，以及平均節點強度。
在 theta、alpha(比率閥值大於 70%)、beta 頻帶中，功能網路之介數中心性則呈
現顯著減少。與控制組比較，針對無癲癇行為的 BECT 患者而言，在 theta 頻帶
有較高的全域效率、群集係數，以及節點強度；在 beta 頻帶有顯著增加的全域
效率，在介數中心性上則無顯著差異。而癲癇行為與否並沒有造成 BECT 患者
在不同頻帶上此四種圖形理論的量化指標的顯著差異。

癲癇是一種常見的神經內科疾病，影響世界上大約七千萬人的日常作息 2，發作
間的癲癇性腦波變化(Interictal epileptic discharges, IEDs)被視為是最重要的臨床
指標，常作為評估癲癇病情的依據，在眾多的 IEDs 中，最具代表性的就是棘波
(Spikes)。棘波除了作為腦波判讀的重要指標以外，在臨床上也可以作為預後的
評估指標，臨床研究中說明 3，將患者分為棘波率較高與棘波率較少的兩個分組，
進行年齡性別配對後，棘波較高的組別認知預後較差，說明這個指標在小兒癲
癇患者的重要性。棘波通常藉由神經科醫師肉眼判讀，往往導致判讀量化的過
程花費許多時間，且較為主觀，可能導致失當的判讀 4，這也促成腦電圖棘波偵
測器在醫學工程領域中發展 5。在過去的幾十年間，有各種不同的方法被應用在
棘波偵測的領域中，例如：模板匹配(Template matching)、小波分析(Wavelet
analysis)…等 6，這些方法的核心價值在於提取棘波中的特徵(Feature extraction)。
在近幾年，神經網路高度發展，使得深度學習網路在特徵提取的表現上優於傳
統機器學習的方法，特別針對大型的資料庫 4。在眾多深度學習的神經網路中，
LSTM 網路在長時間序列的資料分析上，比傳統 RNN(Recurrent neural networks)
網路表現更好 7，因此在本研究中，將會使用 LSTM 網路作為棘波偵測的主架
構。

三、研究方法

圖二：研究架構示意圖。

個案篩選
本研究所採用的個案為：民國 99 年 1 月～民國 110 年 6 月，1-18 歲，因癲癇發
作至臺北醫學大學附設醫院就診，並有規律腦波檢測追蹤，且年齡相仿之兒童
良性癲癇(19 位)如有 MRI 異常、病歷記載不清楚、沒有進行追蹤的個案，皆不
納入本次研究。本研究會收集個案資料中以下變數：年齡、性別、癲癇症狀特
徵、癲癇發作頻率、癲癇持續時間、醫療處置。

EEG 紀錄
本次研究中使用的是患者睡眠狀態的腦電波，資料取樣率為 125Hz，並以 10-20
國際電極放置系統(International system of electrode placement)做定位，以 19 個
電極(Nicolette V32)來記錄腦電圖的活動。

EEG 訊號前處理
在本次的研究中，我們利用去年計畫建立出來的圖形化使用者介面來進行訊號
的前處理，這個前處理程式應用了由 University of California San Diego 旗下的
Swartz Center for Computational Neuroscience 開發出來的 EEGLAB 開源工具箱
(2020 版)8，搭配我們自行設計的前處理自動化程式，大幅減少運算時間，以及
人為操作可能造成的失誤，增加訊號處理的精準度。我們將臨床醫師剪輯好的
腦電波資料讀進程式當中，選出 0.5-30 Hz 的頻帶，資料則以所有頻道(Channel)
的平均值作為參考值重新調整。接著，我們以獨立成分分析法 (Independent
components analysis，ICA)9 來去除眨眼、眼球轉動…等，使腦電波的訊號資料只
保留癲癇的電生理模式，屏除不必要的雜訊。

圖三(A)：前一年大專生計畫成果之 圖三(B)：ICA 操作的介面圖。

iBECT 圖形化使用者介面。

在後續的處理中，我們將資料切割成 29 個分段，每個分段持續 4 秒，並以 2 秒

作為間隔，每個分段都經過仔細檢驗以確保沒有干擾訊號的存在(頭動或肌動)。
為了解大腦不同區域的功能性網路連結，我們就 δ(0.5-4 Hz)、θ(4-8 Hz)、α(8-13
Hz)、β(13-30 Hz)四種頻帶分析，並以相位鎖定值(Phase Locking Value，PLV)10 作
為量化不同通道之間交互作用的指標。

功能性連結分析
在本研究中，PLV 用來計算 19 個電極中每個頻帶和分段的功能性連結，透過忽
略 0 相位和 pi 相位的相位差來減低傳導效應(Volume conduction)所帶來的誤差，
並以此計算相位同步的程度。

圖形理論分析
我們以 19 個 EEG 電極作為網路的節點、PLV 值作為節點與節點之間的路徑邊界，
建立出一個有權重但無方向性的網路系統，每個不同的片段(Epoch)都計算出自
己的連接網路。為了增加研究的可信度，我們平均所有片段的連結網路作為整
體的代表連接網路。由於大腦是相當複雜的網路系統，各個不同節點之間有數
量相當龐大的連結，若沒有經過資訊過濾，會很難讓我們從其中找到有意義的
訊息，因此在本次研究的實務運用上，我們會以閥值(Threshold)的概念，對節
點進行篩選。常用的方式為絕對閥值(Absolute threshold)與比例閥值(Propotional
threshold)，兩種方法有各自的優缺點。絕對閥值對節點之間的關聯係數設定一
個數值，大於數值則代表兩者之間具有連結，小於數值則否。比例閥值則取關
聯係數(在此研究中，關聯係數為 PLV)前 10%的節點對為有關連，其餘則否。對
於群組比較而言，使用比例閥值可以確保每個群組裡面的節點數、網路大小、
邊界數相同，增加其可比性，但若僅採用百分比方式，無法展現連結間的量化
絕對差異；絕對閥值則相反，但可能會因過度強調網路的強連結性或弱連結性，
造成分析上的誤差 11，如下圖所示，兩筆相同的簡單資料，透過兩種不同的閥
值方法分析，即產生相當不同的模式，更何況連結緊密的大腦網路，因此，為
了讓研究更加完整，兩種方法在腦波的分析上都會採用。

圖四(A)：絕對閥值-數值大於 20。 圖四(B)：相對閥值-數值大小前 20%。

針對不同的頻道與頻帶，我們將一系列的閥值運用在連結性網路上。閥值設定
為第 90、85、80、…10 百分位數，最後得到 17 個矩陣，分別具有整個網路中
10%、15%, ... 90%的權重；我們利用圖形理論對這些連結性網路進行分析。運算
部份，我們以 MATLAB 的工具箱 Brain Connectivity Toolbox，將大腦當成是一個
複雜的網路系統，以圖形理論的數學公式進行運算，試圖量化大腦的功能性連
結網路：
A. 基本概念
1. 節點(Node, n)：網路中單一的點，為本研究中腦電波測量的電極頻
道。
2. 邊界(Edge, l)：網路中節點間的連結，為研究中電極頻道倆倆之間
的同步性數值。
3. 度(Degree)：連接到某個特定節點的邊界數量，可以凸顯出網路中
攜帶大量訊息的特殊節點。
B. 網路 PLV(Global PLV)
兩兩節點的同步性，用以量化整體網路特性。
 C. 群集係數(Clustering coefficient）
用來衡量網路中節點聚集在一起的程度，若聚集程度越高，代
表網路中具有高密度的連結，通常以某一節點相鄰節點之實際
連接邊數來代表群集的特性。
D. 平均路徑長度(Characteristic path length)
網路中每兩個節點之間最短邊界的平均數值，代表網路的整合
度，平均路徑越短代表網路的結構越緊密，全域(Global)訊息傳
遞的效率也愈高。
E. 節點強度（Nodal strength）
節點與相鄰節點的邊界權重加權總和

圖五：紅色為節點 A 到節點 B 的最短路徑示意圖。 圖六：藍色數字為邊界權重，黑色數字為節點強度。

F. 全域效率(Global efficiency)
節點間最短路徑平均數值之倒數，數值越大代表整體網路間傳遞訊息的效
率越好。
G. 介數中心性(Betweenness Centrality)
衡量特定節點在網路中的仲介效果，該節點以外的節點，彼此之間的最短
路徑通過該節點越多次，其介數中心性越大，計算方式為該節點被經過的
次數，標準化(Standardization)處理，再除以所有最短路徑數量之和。
H. 小世界網路(Small World Network)模型
小世界模型最早由 Watts 和 Strogatz 兩位學者提出 12,13，說明一種狀態位於
規則網路與隨機網絡之間的特殊模型。規則網路意旨所有的節點皆與相鄰
節點相關，隨機網路則代表所有節點之間的相關性為隨機分配。小世界網
路的構成主要有兩個特性，高群集係數與低平均路徑長度，也就是說，網
路上的兩個距離較遠的兩個節點，可以透過一條很短的路徑連結起來，這
樣的網路架構，與人類大腦網路呈現出來的模式非常相近 11。在本次研究
中我們將比較正常腦波網路與 BECTS 腦波網路的差異，探討癲癇對於小世
界網路的影響

小波轉換
在進行深度學習的模型訓練時，雖然在深度學習的理論中，網路可以完美的擬
和任何種類的函數，然而實際的訓練情形往往與理想有很大的落差，因此，特
徵工程的建立在本研究中相當的重要。

棘波在臨床上定義為陣發性的腦電圖活動，持續時間介於 20 毫秒到 70 毫秒之

間 14，振幅通常超過 50 微伏特(µV)，正常的腦電圖背景約介於 10 微伏特到 20
微伏特 15，除了振幅的差異以外，棘波在形態學上有很大的不同 13，比起一般
的波形，棘波在上升段與下降段的斜率都遠大於背景波，而緊接在棘波之後，
可能會有慢波的出現。

在本研究中，我們採用振幅作為特徵工程的標的，將原始訊號轉為頻譜矩陣，
作為模型的輸入值進行訓練。在常用的頻譜分析方法中，有傅立葉轉換以及小
波轉換可供使用 16：傅立葉分析假定訊號由好幾個不同頻率的弦波組成，對於
隨著時間不會有太大變化的穩態訊號而言，傅立葉轉換是最快得到頻譜矩陣的
方法，然而，若訊號屬於非穩態(隨時間變化，像是腦波)，就可能產生不同段的
時頻訊號，同一張頻譜的現象，無法得知訊號中的各個頻率成分在何時出現。
小波轉換則放棄了傅立葉轉換以用三角函數做基底的方式，改以會衰變的小波
作為基底，並在公式中導入小波的平移量，可以對應到訊號的時域。在我們的
研究中，每段訊號的擷取長度為 200ms，若採用傅立葉轉換的方式可能無法呈
現出如此短時距的訊號變化，因此，我們將使用小波轉換進行時頻分析。

LSTM 棘波偵測網路建立
在建立訓練的資料庫時，我們將請臨床醫師協助腦電圖中的棘波之標記

圖七：棘波標記示意圖：紅色處為棘波。
由於棘波的數量比正常腦波數量少，因此在我們利用 LSTM 建立二元分類模型時，
容易導致棘波組與正常組兩組之間的資料不平衡，若直接對資料進行分類的話，
容易使預測產生偏誤(Bias)，並在驗證資料時，產生錯誤的準確度 17。然而資料
處理的流程上，有兩種方法可以處理這樣的問題：下採樣（Under-sampling）與
上採樣（Over-sampling）。下採樣藉由減少多數資料組的資料點數量使兩組的資
料數達到平衡或符合比例，上採樣則透過內插法的方式形成資料點，不屬於原
始資料情況下，可能讓分類模型產生誤差。在腦電圖資料足夠的情況下，本研
究將採用下採樣的方式處理，盡量保持原始資料的完整性。

LSTM 網路主要的結構由內含記憶細胞(Memory cells)的隱藏層(Hidden layer)組成。

每 個 記 憶 細 胞 都 有 具 有 三 個 閘 門(Gates)： 輸 入 閘 門(Input gate)、 輸 出 閘 門
(Output gate)、遺忘閘門(Forget gate)18，用來控制記憶細胞的行為，輸入閘門負
責控制數值的是否輸入記憶細胞，輸出閘門會將上層記憶細胞的資料輸出至下
一層，遺忘閘門則決定是否選擇性的清除掉記憶細胞中的資料。透過閘門控制
的機制，可以避免掉傳統 RNN 網路在面對長序列資料時，常常遭遇的梯度消失
(Gradient Vanishing)與梯度爆炸(Gradient Explored)問題 19。在本研究中，我們利
用 MATLAB(2020 版)建立 LSTM 網路，主要的結構為雙向的 LSTM 網路層。記憶
細胞中的雙向層(Bidirectional layer)可以藉由其可順、逆時間的方式，雙向的分
析序列資料，得到更能理解其中蘊含的模式。為了盡可能提高棘波偵測的準確
率，我們會在主要的結構上發展並嘗試不一樣的模型組合，像是層疊式雙向
LSTM 網路(Stacked BiLSTM)，或在每一層 LSTM 網路後加入一層丟棄層(Dropout
layer)。

在資料的分組上，我們將所有兒童良性癲癇患者的腦電圖資料整合成一大組後
分成三小組：訓練組(Training dataset)、驗證組(Validation dataset)、測試組(Test
dataset)。訓練組用來調整 LSTM 網路模型的參數，驗證組用來得到模型評估的
指標(如：Accuracy、F1-score、Sensitivity…等)，或是判斷是否出現過擬合的現象
(Overfitting)，從中選出表現最好的模型，測試集則是用來評估選出模型的效能，
作為最後研究的結果。

模型效能評估與交叉驗證
在訓練模型時，我們採用交叉驗證的方式來確保模型選擇的參數及超參數最接
近最佳解，首先，我們利用迴圈，針對 LSTM 模型參數中的隱藏層(Hidden layer)，
超參數中的輪次(Epoch)、批量(Batch size)及學習率(Learning rate)，排列不同的組
合，對模型進行訓練，並取訓練過程中測試集準確率最高的前五組，擷取其超
參數數值，進行交叉驗證 20，進行方式為針對資料集進行五次隨機的取樣，分
為訓練集與測試集，利用先前擷取的五組超參數數值，進行五次模型的訓練，
了解模型在不同資料的取樣範圍下，準確度的變化，並平均五次隨機取樣、五
次訓練共二十五組的效能參數，作為研究的結果，以達到客觀的模型衡量標準。
在 效 能指標方面，我們採用了 準確度(Accuracy)、精確度(Precision)、敏感度
(Sensitivity)以及 F1-score 四項指標，並以真陽性(True positive, TP)、偽陽性(False
positive, FP)、真陰性(True negative, TN)與偽陰性(False negative, FN)作為以上四個
指標的計算基礎，以下介紹其意義以及公式運用：
A. 計算基礎
1. 真陽性：棘波訊號被模型正確標記為棘波的比率
2. 偽陽性：非棘波訊號被模型錯誤標記為棘波的比率
3. 真陰性：非棘波訊號被模型正確標記為非棘波的比率
4. 偽陰性：棘波訊號被模型錯誤標記為非棘波的比率
B. 準確度(Accuracy)：代表訊號被模型正確標記的比率，最常用也
最直觀描述模型效能的指標。
𝑇𝑃 + 𝑇𝑁 1
Accuracy = 𝑇𝑃+ 𝑇𝑁 + 𝐹𝑃+𝐹𝑁

C. 精確度(Precision)：模型所標記的癲癇訊號中，正確標記的比率
𝑇𝑃 2
Precision = 𝑇𝑃 + 𝐹𝑃

D. 召回率(recall)：在所有的癲癇訊號中，模型正確標記的比率，
此比率對於癲癇診斷來說甚為重要，若有患者的癲癇波因為模
型效能問題沒有被正確標記出來，可能造成用藥延遲，加重患
者病情，此項指標本研究中視為模型安全的量化指數。
𝑇𝑃 3
Sensitivity = 𝑇𝑃 + 𝐹𝑁

E. F1-score21：代表精確度與敏感度的調和平均數，它的優點在於
若精確度與敏感度其中一者的數值較小且差異很大，便會拉低
整體 F1-score 的數值，達到平衡的效果，但又不會過分扭曲指
標(如直接平均等計算方法)，特別是在不平衡的資料集(特定一
類別的資料數量特別多或特別少)。
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 4
F1-score = 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 + 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛

四、研究成果與討論
兒童良性癲癇棘波腦電波功能性網路與臨床變數的關聯性探討
在臨床變數的分析中，我們挑選發作年齡與癲癇頻率者兩項變數，與功能
性網路的四個參數(全域效率、介數中心性、節點強度、群集係數)進行偏
相關分析。由於患者的年齡差異較大，在探討兩個變項與功能性網路的關
係時，可能受到年齡的影響而導致結果上的誤差，因此我們將以偏相關分
析的方式，試圖將年齡變項的影響降至最低。在發作年齡的部分，患者棘
波腦波的功能性網路與 Delta 頻帶的全域效率呈顯著相關，發作年齡越
小，全域效率越強，在其他頻帶的其他參數上則沒有皆無顯著相關。在癲
癇頻率的部分，在所有頻帶的所有參數中，並沒有看到統計上顯著差異。
 表一：發作年齡與功能性網路的關係(Delta 頻帶)：E 顯著相關
相對閥值 p 調整後 p
0.1 0.360325 0.382845
0.15 0.98063 0.98063
0.2 0.016302* 0.038588*
0.25 0.011415* 0.038588*
0.3 0.277894 0.314947
0.35 0.163097 0.198046
0.4 0.130799 0.171045
0.45 0.118302 0.167595
0.5 0.097695 0.150984
0.55 0.024319* 0.041343*
0.6 0.020123* 0.038588*
0.65 0.020429* 0.038588*
0.7 0.017683* 0.038588*
0.75 0.016465* 0.038588*
0.8 0.016748* 0.038588*
0.85 0.016855* 0.038588*
0.9 0.016409* 0.038588*

LSTM 網路的棘波偵測模型建立
經過訓練後，平均準確率為 83.7%，平均召回率(recall)為 78.5%，精確率為
87.4%，平均 F1 分數為 82.5。
討論與結論
在這兩篇研究中 22,23，也指出棘波會立即且廣泛的增加大腦的連結性，而發作
年齡越早，大腦受到棘波影響的時間越長，異常放電的時間變多，因此讓大腦
的連結性上升。在這篇研究 24 中將 50 名顳葉癲癇的患者分成早期發作與晚期發
作兩組，並比較兩者的靜息態 MRI 功能性網路，發現早期發病組患者在海馬迴
部分出現異常，雖然我們的研究局限於腦電圖的限制，較難呈現空間上的細微
分布，但也可以進一步佐證早期發作確實會對大腦連結性網路造成程度不等的
損害，於我們的研究結果相符。
在癲癇頻率的部分，雖然其他研究 25 中將癲癇病人分成癲癇頻率較高(大於每月
兩次)以及癲癇頻率較低(小於每月兩次)，利用靜息態 MRI 進行功能性網路的比
較，顯示癲癇頻率較高的患者在內側顳葉的連結性顯著增強，與我們的結果較
不符合，但我們在數據中可以發現有部分的結果逼近統計的顯著值，但可能因
為本研究的樣本數較小，所以無法呈現顯著性。
五、參考文獻
1. Tenney JR, Glauser T, Altaye M, et al. Longitudinal stability of interictal
spikes in benign epilepsy with centrotemporal spikes. Epilepsia.
 2016;57(5):805-811.
2. Thijs RD, Surges R, O'Brien TJ, Sander JW. Epilepsy in adults. Lancet.
2019;393(10172):689-701.
3. Öztoprak Ü, Yayici Köken Ö, Aksoy E, Yüksel D. Spike-Wave Index
Assessment and Electro-Clinical Correlation in Patients with
Encephalopathy Associated with Epileptic State During Slow Sleep
(ESES / CSWS); Single-Center Experience. Epilepsy Res.
2021;170:106549.
4. Halford JJ. Computerized epileptiform transient detection in the scalp
electroencephalogram: obstacles to progress and the example of
computerized ECG interpretation. Clin Neurophysiol.
2009;120(11):1909-1915.
5. Wilson SB, Emerson R. Spike detection: a review and comparison of
algorithms. Clin Neurophysiol. 2002;113(12):1873-1881.
6. K. Fukumori, H. T. Thu Nguyen, N. Yoshida and T. Tanaka, "Fully Data-
driven Convolutional Filters with Deep Learning Models for Epileptic
Spike Detection," ICASSP 2019 - 2019 IEEE International Conference
on Acoustics, Speech and Signal Processing (ICASSP), 2019, pp. 2772-
2776
7. Yu Y, Si X, Hu C, Zhang J. A Review of Recurrent Neural Networks:
LSTM Cells and Network Architectures. Neural Comput.
2019;31(7):1235-1270.
8. Delorme A, Makeig S. EEGLAB: an open source toolbox for analysis of
single-trial EEG dynamics including independent component analysis. J
Neurosci Methods. 2004;134(1):9-21.
9. Makeig S, Jung TP, Bell AJ, Ghahremani D, Sejnowski TJ. Blind
separation of auditory event-related brain responses into independent
components. Proc Natl Acad Sci U S A. 1997;94(20):10979-10984.
10. Stam CJ, Nolte G, Daffertshofer A. Phase lag index: assessment of
functional connectivity from multi channel EEG and MEG with
diminished bias from common sources. Hum Brain Mapp.
2007;28(11):1178-1193.
11. Garrison KA, Scheinost D, Finn ES, Shen X, Constable RT. The
(in)stability of functional brain network measures across thresholds.
Neuroimage. 2015;118:651-661.
12. Watts DJ, Strogatz SH. Collective dynamics of 'small-world' networks.
Nature. 1998;393(6684):440-442.
13. Bullmore E, Sporns O. Complex brain networks: graph theoretical
 analysis of structural and functional systems [published correction
appears in Nat Rev Neurosci. 2009 Apr;10(4):312]. Nat Rev Neurosci.
2009;10(3):186-198.
14. Kane N, Acharya J, Benickzy S, et al. A revised glossary of terms most
commonly used by clinical electroencephalographers and updated
proposal for the report format of the EEG findings. Revision 2017 Clin
Neurophysiol Pract. 2017;2:170-185.
15. Vanhatalo S, Voipio J, Kaila K. Full-band EEG (FbEEG) : an emerging
standard in electroencephalography. Clin Neurophysiol. 2005;116(1):1-8.
16. Akin M. Comparison of wavelet transform and FFT methods in the
analysis of EEG signals. Journal of medical systems, 26(3), 241–
247,2002
17. F. E. Abd El-Samie, T. N. Alotaiby, M. I. Khalid, S. A. Alshebeili and S.
A. Aldosari, "A Review of EEG and MEG Epileptic Spike Detection
Algorithms," in IEEE Access, vol. 6, pp. 60673-60688, 2018
18. Z. Xu, T. Wang, J. Cao, Z. Bao, T. Jiang and F. Gao, "BECT Spike
Detection Based on Novel EEG Sequence Features and LSTM
Algorithms," in IEEE Transactions on Neural Systems and Rehabilitation
Engineering, vol. 29, pp. 1734-1743, 2021
19. Medvedev AV, Agoureeva GI, Murro AM. A Long Short-Term Memory
neural network for the detection of epileptiform spikes and high
frequency oscillations. Sci Rep. 2019;9(1):19374. Published 2019 Dec 18.
20. Raschka S. Model Evaluation, Model Selection, and Algorithm Selection
in Machine Learning. 2020
21. Grandini M, Bagli E, Visani G. Metrics for Multi-Class Classification: an
Overview. 2020
22. Ghantasala R, Holmes GL. Benign Rolandic epilepsy: widespread
increases in connectivity in a focal epilepsy syndrome. Epileptic Disord.
2019;21(6):567-578.
23. Adebimpe A, Aarabi A, Bourel-Ponchel E, Mahmoudzadeh M, Wallois
F. Functional Brain Dysfunction in Patients with Benign Childhood
Epilepsy as Revealed by Graph Theory. PLoS One.
2015;10(10):e0139228. Published 2015 Oct 2.
24. Doucet GE, Sharan A, Pustina D, Skidmore C, Sperling MR, Tracy JI.
Early and late age of seizure onset have a differential impact on brain
resting-state organization in temporal lobe epilepsy. Brain Topogr.
2015;28(1):113-126.
25. Bharath RD, Sinha S, Panda R, et al. Seizure Frequency Can Alter Brain
 Connectivity: Evidence from Resting-State fMRI. AJNR Am J
Neuroradiol. 2015;36(10):1890-1898. doi:10.3174/ajnr.A4373
26.