Sheheitli、Wang、Lemarechal、Bernard 和 Jirsa 在 Jasper’s Basic Mechanisms of the Epilepsies 第 5 版中写的这一章，题目是 A Classification of Seizures Based on Dynamics。它不是按症状、病因或脑区给 seizure 分型，而是问一个更底层的问题：一次发作从 interictal rest 进入 seizure，又从 seizure 回到 rest，这两个转变在动力系统里属于哪种 bifurcation？ [1]
一句话概括：这章把一次 seizure 看成“静息吸引子”和“发作振荡吸引子”之间的状态切换；发作起始和终止各有几种 canonical bifurcation，二者组合起来就是 seizure 的 dynamotype。这套 Taxonomy of Seizure Dynamics（TSD）想补充 ILAE 的 operational classification：ILAE 更像临床表型语言，TSD 更像机制语言。
缩写和术语
| 缩写 / 术语 | 全称 | 这篇文章里的意思 |
|---|---|---|
| TSD | Taxonomy of Seizure Dynamics | 按 seizure onset / offset 的 bifurcation 类型给发作分型。 |
| dynamotype | dynamic type | 一次发作的 onset bifurcation 和 offset bifurcation 组合。 |
| bifurcation | 分岔 | 系统参数缓慢变化到临界点后，稳定状态结构突然改变。 |
| attractor | 吸引子 | 系统状态长期会靠近的稳定模式，可以是 fixed point 或 limit cycle。 |
| stable fixed point | 稳定定点 | 静息状态的数学表示：系统受扰动后会回到这个点附近。 |
| limit cycle | 极限环 | 周期振荡状态的数学表示：这里对应 seizure-like rhythmic spiking。 |
| separatrix | 分界轨道 | 区分不同吸引子 basin 的边界。 |
| DC shift | baseline shift | 信号基线突变，帮助区分某些 onset / offset 类型。 |
| ISI | interspike interval | 相邻 spike 的时间间隔；ISI 变大等价于 spiking frequency 下降。 |
| SN | saddle-node bifurcation | 发作起始候选类型之一，可伴 DC shift。 |
| SupH | supercritical Hopf bifurcation | 稳定定点失稳并长出小振幅 limit cycle。 |
| SNIC | saddle-node on invariant circle | 发作起始或终止候选类型，频率可按 square-root law 变化。 |
| SubH | subcritical Hopf bifurcation | 发作起始候选类型，可产生突然进入大振幅振荡的转变。 |
| SH | saddle-homoclinic bifurcation | 发作终止候选类型之一，ISI 可按 logarithmic law 增大。 |
| FLC | fold limit cycle bifurcation | 发作终止候选类型之一，limit cycle 消失。 |
先把问题说清楚
临床上的 seizure classification 通常从患者能看到的现象出发：focal 还是 generalized，awareness 是否受损，motor 还是 non-motor，有没有 tonic、clonic、automatism 等。这种分类对诊断和沟通很有用，但它不一定告诉我们“发作为什么会开始、为什么会停止”。
TSD 换了一个视角。它不先问症状，而是看电生理时间序列的几个轴：
| 轴 | 读什么 | 为什么重要 |
|---|---|---|
| baseline | 有没有 DC shift / baseline jump | 区分带基线跳变和不带基线跳变的 bifurcation。 |
| amplitude | spike 或振荡幅度是突变、逐渐增大、逐渐减小，还是无规律 | 对应 limit cycle 出现或消失的方式。 |
| ISI / frequency | spiking 是变快、变慢，还是基本恒定 | 频率接近 0 或非 0 是 bifurcation 的关键指纹。 |
| onset / offset | 在发作开始和结束分别读这些轴 | dynamotype 是起始类型和终止类型的组合，不是单看 onset。 |
最小数学图景
这一章背后的最小模型可以写成：
这里 $x$ 是神经组织的状态，不是某一个单独 EEG 电压点；$\lambda$ 是缓慢变化的控制参数，可以理解为兴奋性、抑制性、离子环境、网络耦合等因素压缩后的“慢变量”。当 $\lambda$ 慢慢移动，系统可能从 stable fixed point 跳到 limit cycle，于是电生理上从 interictal rest 进入 rhythmic seizure activity。
一次 seizure 的 dynamotype 可以写成：
$B_{\mathrm{on}}$ 是起始 bifurcation，$B_{\mathrm{off}}$ 是终止 bifurcation。本文列出的起始类型有 4 种：SN、SupH、SNIC、SubH；终止类型也有 4 种：SNIC、SupH、SH、FLC。因此理论上有：
种 onset / offset 组合，也就是 16 种 dynamotypes。
六种 bifurcation 怎么读
Figure 18-2 是全章最适合反复看的图。它把每种 bifurcation 的 timeseries、amplitude、frequency、baseline jump 和 seizure start/stop 方向放在同一张表里。
图 18-2 怎么读。 左边是 bifurcation 名字，中间是理想化时间序列，右边列出 amplitude 和 frequency 在临界点附近是否趋近于 0、是否有 baseline jump、这个 bifurcation 能用于 seizure onset 还是 offset。关键不是背图形，而是抓“幅度是否从 0 长出”“频率是否从 0 长出”“有没有 DC shift”这三个判据。
| 类型 | 可用于 | 信号直觉 |
|---|---|---|
| SN | onset | 进入发作时幅度和频率突然出现，可伴 baseline shift。 |
| SupH | onset 或 offset | onset 时小振幅振荡逐渐长大；offset 时幅度逐渐减小。 |
| SNIC | onset 或 offset | onset 时频率从 0 开始增加；offset 时频率逐渐降到 0。 |
| SubH | onset | 可突然跳入较大振幅振荡，通常无 baseline shift。 |
| SH | offset | 终止前 ISI 逐渐变长，频率按 logarithmic trend 下降。 |
| FLC | offset | limit cycle 消失，常表现为 amplitude / frequency 的 arbitrary ending。 |
Figure 18-1：为什么要讲 phase space
图 18-1 怎么读。 这张图不是临床 EEG，而是 phase space 示意图。实心点是 stable fixed point，闭合曲线是 stable limit cycle，虚线或分界曲线是 separatrix。对临床读者来说，最重要的是：发作不是“波形突然变了”这么简单，而是系统原本被吸引到静息定点，参数变化后吸引子结构改变，状态轨迹被带入振荡吸引子。
因此，bifurcation classification 不是给 EEG 波形贴漂亮标签，而是在问：从静息到振荡的拓扑改变是哪一种？
Figure 18-3 和 18-4：真实 SEEG 怎么映射到 dynamotype
图 18-3 怎么读。 这是一个 sample observed dynamotype。第一行是 DC-coupled SEEG，第二行是 high-pass filtered signal，第三行和第四行给出对应的理论 time series 和 phase-space 演化。onset 侧有 DC shift 和突然进入振荡，符合 SN-like onset；offset 侧振荡消失更接近 FLC。这个图的重点是：同一段临床信号要同时看原始 DC-coupled trace 和 filtered trace，否则 baseline shift 这个判据会丢失。
图 18-4 怎么读。 这张图展示另一个 observed dynamotype：onset 侧没有明显 baseline shift，而 amplitude 逐渐增加，符合 SupH 的直觉；offset 侧 ISI 逐渐变长，接近 SH 的 logarithmic slowing。它提醒我们，发作终止也需要分类，不能只看 onset。
图 18-5 怎么读。 Figure 18-5 单独展示 SNIC 和 SubH 在 phase space 中的差异。SNIC 的关键是频率从 0 附近长出或回到 0；SubH 的关键是从稳定定点附近突然进入较大振荡。临床上这两个可能都表现为“开始放电”，但动力系统判据不同。
Table 18-1：临床数据上怎么判
表 18-1 怎么读。 这张表把数学判据变成 clinical reviewer 可以执行的流程。先由 clinician 指定 candidate seizure onset regions，再选 onset 时 amplitude 最高的电极时间序列，观察 seizure 前 10 个 spike 和后 10 个 spike 的 amplitude / ISI 趋势，并判断有没有 DC shift。
| 观察到的特征 | Onset 归类 |
|---|---|
| 有 DC shift | SN(+DC) |
| amplitude 增加 | SupH |
| ISI 变小，也就是 frequency 增加 | SNIC |
| ISI 和 amplitude 恒定或 arbitrary，且没有 DC shift | SN(-DC) 或 SubH |
| 观察到的特征 | Offset 归类 |
|---|---|
| 有 DC shift | SH(+DC) |
| amplitude 减小 | SupH |
| ISI 变大，也就是 frequency 降低，且没有 DC shift | SH(-DC) 或 SNIC |
| ISI 和 amplitude 恒定或 arbitrary，且没有 DC shift | FLC |
这里有两个细节很重要。
第一，DC-coupled recording 不是可有可无。没有 DC 信息时，SN 和 SubH、SH 和 SNIC 之间可能分不清。换句话说，硬件带宽会影响 dynamotype 判读。
第二，作者没有说所有判别都必须自动化。章中明确提到，噪声很强的临床数据里，expert visual classification 反而可能比自动算法更可靠；自动算法、可视化判读和理论 scaling law 是互相约束的关系。
临床数据结果
这一章总结了 Saggio 等 2020 年在多中心 intracranial EEG 数据上的应用结果。数据来自 7 个中心、120 名 focal onset seizure 患者。TSD 理论预测 16 种 dynamotype；临床数据中观察到 12 种。主要出现的 onset 类型是 SN 和 SubH，主要出现的 offset 类型是 SH/SNIC 和 FLC [2]。
图 18-6 怎么读。 这张图把 onset / offset bifurcation 的组合结果放到 taxonomy 里。左侧强调所有 onset 和 offset 类型都在数据中出现过；右侧显示 39 名同时有 onset 和 offset classification 的患者最终落到哪些 dynamotype。它的重点不是某个比例数字，而是证明：真实临床 iEEG 不是只有一种“典型 seizure dynamics”，而是可以落在有限但多样的 dynamical repertoire 里。
为什么这对 SEEG 有意义
TSD 对 SEEG 的价值主要有三点。
第一，它把 DC-coupled recording 的价值重新放到中心。没有 DC baseline，某些 bifurcation 的关键判据会消失。对只看 high-pass filtered SEEG 的读者来说，这一点很容易被忽略。
第二，它让“起始模式”不只停留在 LVFA、spike、slow wave 这类形态标签，而是进一步问 amplitude、frequency、baseline 三个轴的时间演化。两个患者可以有不同病理、不同脑区，但表现出相似 dynamotype；同一患者也可能有多个 dynamotype。
第三，它给刺激治疗和闭环设备一个机制提醒。章中提到，SubH onset 更像 resonator，需要特定频率刺激才容易被驱动；SN onset 更像 integrator，对刺激是兴奋性还是抑制性更敏感。也就是说，如果一个患者的发作不止一种 dynamotype，那么单一刺激策略未必覆盖所有状态。
需要谨慎的地方
第一，TSD 不是替代 ILAE classification。ILAE 解决的是临床沟通、诊断和症状描述；TSD 解决的是发作起止机制的低维动力学描述。二者是互补关系。
第二，TSD 不直接处理空间传播。它关心局部神经组织的 dynamical transition，而不是 seizure front 如何从一个脑区传播到另一个脑区。章中也提醒，传播现象可能让某个 stationary sensor 看到的时间特征类似另一种 bifurcation。
第三，visual classification 依赖高质量信号和合理的 candidate onset region。噪声、滤波设置、缺失 DC channel、spike 形态复杂，都可能让分类变成 ambiguous。
我会怎么用这篇文章
如果读 SEEG seizure onset，我不会把它直接变成“看见某个波形就等于某个 dynamotype”的模板。更实用的做法是：
- 先用临床和 SEEG 经验圈出 candidate onset contacts。
- 在这些 contacts 上分别看 DC-coupled trace 和常规滤波 trace。
- 对 onset 读 baseline、amplitude、ISI / frequency 三个轴。
- 对 offset 也读同样三个轴。
- 把 onset / offset 组合成 dynamotype，并把 ambiguous 的地方明确标出来。
这篇文章真正有价值的地方，是把“发作起始模式”从形态学语言推到机制语言：同样是 seizure，起始和终止可以由不同 bifurcation 组织起来；这些差异可能影响我们怎样解释 DC shift、怎样做刺激、怎样理解同一患者内多个发作类型。
参考文献
[1] Sheheitli H, Wang H, Lemarechal J-D, Bernard C, Jirsa VK. A Classification of Seizures Based on Dynamics. In: Jasper’s Basic Mechanisms of the Epilepsies. 5th ed. Oxford University Press; 2024. DOI: 10.1093/med/9780197549469.003.0018.
[2] Saggio ML, Crisp D, Scott JM, Karoly P, Kuhlmann L, Nakatani M, et al. A taxonomy of seizure dynamotypes. eLife. 2020;9:e55632. DOI: 10.7554/eLife.55632.