OBJECTIVE Numerous types of nonepileptic paroxysmal events, such as syncopes and psychogenic nonepileptic seizures, may imitate epileptic seizures and lead to diagnostic difficulty. Such misdiagnoses may lead to inappropriate treatment in patients that can considerably affect their lives. Electroencephalogram (EEG) is a commonly used tool in assisting diagnosis of epilepsy. Although the appearance of epileptiform discharges (EDs) in EEG recordings is specific for epilepsy diagnosis, only 25%-56% of patients with epilepsy show EDs in their first EEG examination. METHODS In this study, we developed an autoregressive (AR) model prediction error-based EEG classification method to distinguish EEG signals between controls and patients with epilepsy without EDs. Twenty-three patients with generalized epilepsy without EDs in their EEG recordings and 23 age-matched controls were enrolled. Their EEG recordings were classified using AR model prediction error-based EEG features. RESULTS Among different classification methods, XGBoost achieved the highest performance in terms of accuracy and true positive rate. The results showed that the accuracy, area under the curve, true positive rate, and true negative rate were 85.17%, 87.54%, 89.98%, and 81.81%, respectively. CONCLUSIONS Our proposed method can help neurologists in the early diagnosis of epilepsy in patients without EDs and might help in differentiating between nonepileptic paroxysmal events and epilepsy. SIGNIFICANCE EEG AR model prediction errors could be used as an alternative diagnostic marker of epilepsy.

中文翻译：

---

脑电图自回归建模分析：无癫痫样放电的癫痫患者的诊断工具

目的 许多类型的非癫痫性阵发性事件，例如晕厥和心因性非癫痫性癫痫发作，可能会模仿癫痫发作并导致诊断困难。此类误诊可能会导致患者接受不当治疗，从而严重影响他们的生活。脑电图（EEG）是辅助诊断癫痫的常用工具。尽管 EEG 记录中癫痫样放电 (ED) 的出现对于癫痫诊断具有特异性，但只有 25%-56% 的癫痫患者在其第一次 EEG 检查中显示出 ED。方法 在这项研究中，我们开发了一种基于自回归 (AR) 模型预测误差的 EEG 分类方法，以区分对照组和没有 ED 的癫痫患者之间的 EEG 信号。招募了 23 名脑电图记录中没有 ED 的全身性癫痫患者和 23 名年龄匹配的对照组。他们的脑电图记录使用基于 AR 模型预测误差的脑电图特征进行分类。结果 在不同的分类方法中，XGBoost 在准确率和真阳性率方面取得了最高的性能。结果表明，准确率、曲线下面积、真阳性率和真阴性率分别为85.17%、87.54%、89.98%和81.81%。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。他们的脑电图记录使用基于 AR 模型预测误差的脑电图特征进行分类。结果 在不同的分类方法中，XGBoost 在准确率和真阳性率方面取得了最高的性能。结果表明，准确率、曲线下面积、真阳性率和真阴性率分别为85.17%、87.54%、89.98%和81.81%。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。他们的脑电图记录使用基于 AR 模型预测误差的脑电图特征进行分类。结果 在不同的分类方法中，XGBoost 在准确率和真阳性率方面取得了最高的性能。结果表明，准确率、曲线下面积、真阳性率和真阴性率分别为85.17%、87.54%、89.98%和81.81%。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。XGBoost 在准确率和真阳性率方面取得了最高的性能。结果表明，准确率、曲线下面积、真阳性率和真阴性率分别为85.17%、87.54%、89.98%和81.81%。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。XGBoost 在准确率和真阳性率方面取得了最高的性能。结果表明，准确率、曲线下面积、真阳性率和真阴性率分别为85.17%、87.54%、89.98%和81.81%。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。结论我们提出的方法可以帮助神经科医生对没有 ED 的患者进行癫痫的早期诊断，并可能有助于区分非癫痫发作性事件和癫痫。意义 EEG AR 模型预测误差可用作癫痫的替代诊断标志物。