A Novel Method for Epileptic Seizure Detection Using Coupled Hidden Markov Models
提出了一种新的耦合隐马尔可夫模型来检测多通道脑电数据中的癫痫发作。我们的模型定义了一个网络的癫痫发作传播路径捕捉癫痫活动的时间和空间演变。为了解决棘手的耦合相互作用，我们推导出一个变分推理过程，有效地推断癫痫发作的演变从EEG数据的频谱模式。我们验证了我们的模型在临床条件下获得的脑电图在约翰霍普金斯医院癫痫监测单位。使用5折交叉验证，我们证明了我们的模型优于依赖于经典检测框架的三种基线方法。我们的模型也证明了在局灶性癫痫中定位癫痫发作区的潜力。
2018-08-10 eess.SP q-bio.NC
Hyperbolic embedding of brain networks as a tool for epileptic seizures forecasting
本研究利用双曲嵌入表征脑网络，结合机器学习构建统计模型，实现对癫痫发作前期状态的准确区分与预测，为发作预测提供新生物标志物。
2025-04-15 physics.data-an q-bio.NC
On spatial and temporal multilevel dynamics and scaling effects in epileptic seizures
癫痫发作是神经系统最著名的功能障碍之一。在癫痫发作期间，观察到神经活动的高度同步行为，其可引起从轻度感官功能障碍到完全失去身体控制的症状。在本文中，我们的目标是有助于更好地了解动力系统的现象，导致癫痫发作。根据数据分析和建模，可以确定癫痫发作动力学具有多个空间尺度，并且在每个空间尺度上也具有多个时间尺度。在每一个尺度上，我们都得到了一些新的见解。在最小的空间尺度上，我们考虑单个模型神经元，并研究尖峰的早期预警信号。这介绍了理论的临界过渡到可激发系统。对于神经元簇（或神经元区域），我们使用患者数据并发现癫痫发作附近的振荡行为和新的缩放律。这些标度证实了从平均场模型获得的猜想，即癫痫发作附近可能涉及霍普夫分岔。在最大的空间尺度上，我们引入了一个措施的基础上锁相间隔和小波癫痫发作建模。它用于解决大脑不同区域之间的同步，并识别不同小波尺度下的时移标度律。我们还比较了我们的基于小波的多尺度方法与最大线性互相关和平均相位相干措施。
2011-07-29 math.DS nlin.CD nlin.PS
Localization of Epileptic Seizure Focus by Computerized Analysis of fMRI Recordings
通过对儿童癫痫患者的功能磁共振成像记录的皮层活动进行计算机分析，我们实现了癫痫发作病灶在八个皮层叶之一内的算法定位。我们创新的机器学习技术涉及对解剖学识别的皮层区域之间的互信息系数的大矩阵的密集分析。具有显著互连性的区域对的剧烈选择为我们的多层感知器（MLP）分类器提供了有效的输入。通过实施严格的参数简约，以避免过度拟合，我们构建了一个小尺寸的MLP具有很好的成功分类的百分比。
2018-12-11 q-bio.NC q-bio.QM
Stabilizing Fractional Dynamical Networks Suppresses Epileptic Seizures
University of Southern California（南加州大学）；University of Kansas（堪萨斯大学）；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）；Instituto de Telecomunicações（电信研究所）；Texas Tech University（德克萨斯理工大学）
本文提出利用分数动力学网络稳定化方法，有效抑制癫痫发作，通过多尺度分析区分四种癫痫状态并实现显著的发作活动抑制。
2025-12-23 q-bio.NC q-bio.QM
Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review
Monash University（莫纳什大学）；Alfred Health（阿尔弗雷德健康）；The University of Melbourne（墨尔本大学）；Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；St. Vincent’s Hospital, The University of Melbourne（墨尔本大学圣文森特医院）；Turner Institute for Brain and Mental Health, Monash University（莫纳什大学特纳脑与心理健康研究所）；Monash Biomedical Imaging, Monash University（莫纳什大学生物医学成像）；Wellcome Centre for Human Neuroimaging, UCL（伦敦大学学院人类神经成像威尔康姆中心）
随着人工智能（AI）和机器学习（ML）技术的进步，研究人员正在努力将这些技术用于推进临床实践。医疗保健的主要目标之一是早期发现和预测疾病，以及时提供预防干预措施。癫痫病尤其如此，其特征是反复发作和不可预测的癫痫发作。如果能够提前预测癫痫发作，患者可以从癫痫发作的不良后果中解脱出来。尽管经过几十年的研究，癫痫发作的预测仍然是一个未解决的问题。这种情况可能会持续下去，至少部分原因是没有足够的数据来解决这个问题。在基于ML的算法中有令人兴奋的新发展，这些算法有可能在癫痫发作的早期和准确预测中实现范式转变。在这里，我们提供了一个全面的审查国家的最先进的ML技术在早期预测癫痫发作使用EEG信号。我们将确定当前研究中的差距，挑战和陷阱，并建议未来的发展方向。
2020-02-04 cs.LG eess.SP q-bio.NC
Anticipating epileptic seizures through the analysis of EEG synchronization as a data classification problem
Università di Siena（锡耶纳大学）；Università Sapienza di Roma（罗马 Sapienza 大学）
癫痫是一种由脑电活动异常引起的神经系统疾病，约占世界人口的0.5- 0.8%。几项研究调查了癫痫发作和脑电波同步模式之间的关系，追求识别发作间期，发作前，发作和发作后状态的可能性。在这项工作中，我们介绍了一个基于图形的模型的大脑相互作用，研究同步模式的脑电图（EEG）信号。目的是开发一种针对患者的方法，也可用于实时使用，用于预测癫痫发作的发生。不同的同步措施的EEG信号和易于计算的功能，能够捕捉到实时的EEG同步的变化已被认为是。标准和特设的分类算法已经开发和使用。头皮EEG信号的结果表明，这种简单和计算上可行的处理是能够突出的变化，在同步对应的preictal状态。
2018-01-24 cs.LG q-bio.NC
Evolving Network Model that Almost Regenerates Epileptic Data
在许多现实网络中，代表节点之间相互作用的边是时变的。越来越多的证据表明，模拟人脑动态的复杂网络具有随时间变化的互连，即，网络正在发展。基于这些证据，我们构建了一个患者和数据特定的进化网络模型（包括离散时间动力系统），其中癫痫发作或其在大脑中的终止也由节点之间随时间变化的互连性质决定。我们的方法的一个新颖而独特的特征是，不断发展的网络模型记住了它所构想的数据，在这个意义上说，它的演变，几乎再生病人的数据，即使提出了一个任意的初始条件，我们说明了我们的方法的潜在效用，通过构建一个不断发展的网络，从临床数据，有助于确定一个近似的癫痫发作的重点--在这种理论上确定的癫痫发作焦点中的节点是向外的枢纽，其显然充当癫痫发作的传播者。我们还指出了消除这种传播器在限制癫痫发作的疗效。
2016-11-17 q-bio.NC
Epileptic seizure forecasting with long short-term memory (LSTM) neural networks
本文提出利用LSTM神经网络监测颅内EEG特征随时间的变化来预测癫痫发作，通过CNN提取1分钟EEG片段的频域特征并输入不同时间尺度的LSTM，在NeuroVista数据集上实现了优于随机预测器的表现，并首次将干预时间预测延长至40分钟。
2023-09-18 q-bio.NC
Convolutional Neural Networks for Epileptic Seizure Prediction
Technische Universität Dresden（德累斯顿工业大学）；Monash University（莫纳什大学）；St Vincent’s Hospital Melbourne（墨尔本圣文森特医院）；Mayo Clinic（梅奥诊所）
本文提出用卷积神经网络直接处理颅内脑电图进行癫痫发作预测，避免手工特征提取，并在狗和患者的公开数据集上验证了其适用性。
2023-04-11 cs.LG q-bio.NC stat.ML
Seizure detection from Electroencephalogram signals via Wavelets and Graph Theory metrics
Charles Sturt University（查尔斯特大学）
本文提出一种基于最大重叠离散小波变换降噪并结合图论连接度量的脑电图癫痫检测方法，利用短时段统计参数和图论指标构建属性空间，在公开数据上取得了优于现有方法的召回率/灵敏度表现。
2023-11-28 cs.LG q-bio.NC q-bio.QM
Seizure Classification of EEG based on Wavelet Signal Denoising Using a Novel Channel Selection Algorithm
癫痫是一种神经系统紊乱，可影响任何年龄组的人。全世界大约有5000万人被诊断患有这种疾病，它是最常见的神经系统疾病之一。脑电图是一个不可或缺的工具，用于诊断癫痫发作在一个理想的情况下，从一个癫痫患者的脑电波将呈现明显的异常。然而，在现实世界的情况下，经常会有生物和电噪声干扰，以及多通道信号的问题，这给癫痫发作检测带来了很大的挑战。在这项研究中，使用了天普大学医院（TUH）EEG癫痫语料库数据集。本文提出了一种新的信道选择方法，隔离不同的频率范围内的五个通道。这是基于正常大脑波形表现出的频率。选择1秒窗口，重叠0.5秒。小波信号去噪采用Daubechies 4小波分解，阈值采用最小最大软阈值准则。滤波器组被用来定位五个特定频道的频率范围。然后从输出中得出统计特征。在使用500个学习者进行袋装树分类后，达到了0.82的测试准确率。
2021-09-02 q-bio.NC q-bio.PE
StationPlot: A New Non-stationarity Quantification Tool for Detection of Epileptic Seizures
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Techno India University（Techno印度大学）；Manipal University, Jaipur（斋浦尔曼尼帕尔大学）
一个新的非平稳可视化工具称为StationPlot的开发破译的混沌行为的动态时间序列。在StationPlot上利用凸壳几何（Convex Hull Geography，CHG）建立了一系列分析测度，它们列举了非平稳性和变异度的几何方面。在欧氏空间中，趋势平稳（TS）和差异平稳（DS）扰动都被StationPlot的感兴趣区域（ROI）的非对称结构所理解。所提出的方法是实验验证使用EEG信号，其中它理解的相对时间演变的神经动力学及其非平稳形态，从而举例说明其诊断能力癫痫发作活动（SA）检测。实验结果和方差分析（ANOVA）对提取的CHG特征表现出更好的分类性能相比，现有的浅特征为基础的国家的最先进的和验证其有效性的几何丰富的判别描述符的信号处理应用。
2018-11-10 cs.CV eess.SP q-bio.NC
Localization of Seizure Onset Zone based on Spatio-Temporal Independent Component Analysis on fMRI
本研究提出基于静息态fMRI时空独立成分分析的成分分类方法，用于术前定位癫痫发作起始区，在13名颞叶癫痫患者中实现高精度定位，并依据与切除区域的关系分为完全、部分一致及不一致三类。
2025-01-03 q-bio.NC
Entropy analyses of spatiotemporal synchronizations in brain signals from patients with focal epilepsies
研究了20例不同脑源性、不同发作类型、不同年龄和性别的癫痫患者的脑内脑电图（EEG）数据（近7亿个数据）。多通道单变量振幅分析表明，时间依赖性香农熵可以用来预测局灶性癫痫发作发作在不同的致痫性脑区的不同患者。利用熵的空间或时间差异，进一步研究了癫痫发作间期和发作间期患者致痫区和非致痫区脑信号同步化的形成和时间演变。
2010-02-18 physics.bio-ph physics.data-an q-bio.NC
Real-time Sub-milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor
State Key Laboratory of Digital Medical Engineering（数字医学工程国家重点实验室）；Key Laboratory of Biomedical Engineering of Hainan Province（海南省生物医学工程重点实验室）；School of Biomedical Engineering Hainan University（海南大学生物医学工程学院）；SynSense Co.Ltd.（SynSense有限公司）；SynSense AG（SynSense股份公司）
本文提出在神经形态处理器Xylo上部署SNN进行实时EEG癫痫发作检测，实现高准确率与亚毫瓦级低功耗，适用于便携可穿戴设备。
2024-10-22 cs.AI cs.LG cs.NE
Open diffusion MRI and connectivity data for epilepsy and surgery: The IDEAS II release
Newcastle University（纽卡斯尔大学）；UCL Queen Square Institute of Neurology（伦敦大学学院女王广场神经科学研究所）；UCL（伦敦大学学院）；The University of Western Australia（西澳大学）；Queen’s University（女王大学）
IDEAS II发布开放的扩散磁共振成像和连接数据，用于研究癫痫的结构连接性和手术结果，提供216名癫痫患者和98名健康对照者的DWI数据及预处理后的扩散度量图、分割结构连接体等信息。
2026-02-10 q-bio.NC
Modified Computation of Correlation Integral for Analyzing Epileptic Signals
癫痫是一种以反复发作为特征的慢性神经系统疾病。一种分析癫痫发作活动的方法是计算时间序列脑电信号的关联维数。Grasserberg和Proccacia算法通常用于计算该关联维数。该算法使用Heaviside函数来通过对大于阈值的向量（d_ij）之间的距离的数量进行计数来确定相关积分。然而，关于信号的混沌性质的信息并不完全被该函数保留。在这项工作中，而不是使用Heaviside函数，我们计算的相关积分使用指数函数的d_ij。使用三个数据集验证了使用该改进算法对发作间期和发作信号的更高灵敏度。比较使用原始方法和修改后的方法获得的d_ij的热图，显示了新算法保留的额外信息。
2019-12-12 eess.SP q-bio.NC
