A Time-Series Scale Mixture Model of EEG with a Hidden Markov Structure for Epileptic Seizure Detection
Hiroshima University（广岛大学）；Okayama University Hospital（冈山大学医院）
在本文中，我们提出了一个基于马尔可夫转移的尺度混合分布的时间序列随机模型来检测脑电图（EEG）中的癫痫发作。在该模型中，每个时间点的EEG信号被假定为遵循高斯分布的随机变量。高斯分布的协方差矩阵加权的潜在规模参数，这也是一个随机变量，导致协方差的随机波动。通过引入一个潜在的状态变量与马尔可夫链的背景下，这种随机关系，时间序列的变化，潜在的尺度参数的分布可以表示根据癫痫发作的状态。在一个实验中，我们评估了所提出的模型的性能，癫痫发作检测使用EEG与多个频段分解从临床数据集。结果表明，该模型可以检测癫痫发作具有较高的灵敏度和优于几个基线。
2021-11-12 cs.LG eess.SP stat.ML
Using Deep Learning and Machine Learning to Detect Epileptic Seizure with Electroencephalography (EEG) Data
Northeast Yucai Foreign Language School（东北育才外国语学校）；Shenyang Pharmaceutical University（沈阳药科大学）；Northwestern University（西北大学）
癫痫发作的预测一直是医学领域极具挑战性的课题。然而，随着计算机技术的发展，机器学习的应用为癫痫发作预测带来了新的思路。将机器学习模型应用到癫痫发作的预测中可以帮助我们获得更好的结果，并且已经有很多科学家在做这方面的工作，从而为研究人员进行机器学习模型的训练提供了充足的医学数据。
2019-10-06 cs.LG eess.SP stat.ML
LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection
University of Iceland（爱沙尼亚大学）；Faculty of Computer Science（计算机科学学院）
LookAroundNet通过扩展时间上下文和增加训练数据多样性，实现了在不同临床环境下的高效EEG癫痫发作检测。
2026-01-09 cs.LG
Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs: Application to Seizure Analysis
Department of Electrical and Computer Engineering, McGill University（麦吉尔大学电气与计算机工程系）；Mila - Quebec AI Institute（Mila-魁北克人工智能研究所）
脑电图（EEG）信号是癫痫发作分析的有效工具，其中最重要的挑战之一是准确检测癫痫发作事件和癫痫发作发生或开始的脑区域。然而，所有现有的用于癫痫发作分析的基于机器学习的算法都需要访问标记的癫痫发作数据，而获取标记的数据是非常劳动密集的、昂贵的，并且取决于临床医生，因为EEG信号的视觉定性解释的主观性质。在本文中，我们建议检测癫痫发作的渠道和剪辑在一个自我监督的方式，没有访问癫痫发作的数据是必要的。该方法考虑了局部结构和上下文信息嵌入EEG图，采用积极和消极的子图。我们通过最小化对比度和生成损失来训练我们的方法。局部EEG子图的使用使得该算法在由于颅骨骨折等并发症而不可能访问所有EEG通道时成为适当的选择。我们在最大的癫痫发作数据集上进行了一组广泛的实验，并证明我们提出的框架在基于EEG的癫痫发作研究中优于最先进的方法。所提出的方法是唯一一项在训练阶段不需要访问癫痫发作数据的研究，但在该领域建立了一种新的最先进的方法，并且优于所有相关的监督方法。
2023-01-15 cs.LG eess.SP
Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG
BioSensics LLC（BioSensics有限责任公司）；Brown University（布朗大学）；University of Southern California（南加州大学）
癫痫是最常见的神经系统疾病之一，通常通过癫痫发作观察到。癫痫发作通常通过脑电图（EEG）记录进行监测，这是由于其常规和低成本的收集。EEG的随机性使得通过由训练有素的专家进行的手动检查来识别癫痫发作是一项繁琐的工作，这促使了自动识别的使用。关于自动识别的文献主要集中在监督学习方法上，该方法需要包含癫痫发作的EEG片段的专家标签，这是很难获得的。出于这些观察，我们提出癫痫发作识别作为一个无监督的异常检测问题。为此，我们采用了第一个无监督的基于变换的模型对原始EEG进行癫痫发作识别。我们训练一个自动编码器，涉及一个Transformer编码器通过一个无监督的损失函数，结合一个新的掩蔽策略，独特的多变量时间序列数据，如EEG。训练采用不包含任何癫痫发作的EEG记录，而癫痫发作是根据推理时的重建错误来识别的。我们评估我们的方法在三个公开的基准EEG数据集区分癫痫发作与非癫痫发作窗口。我们的方法导致癫痫发作识别性能明显优于监督学习同行，高达16%的召回率，9%的准确率和9%的受试者工作特征曲线（AUC）下的面积，在高度不平衡的数据上建立了特别的优势。通过准确的癫痫发作识别，我们的方法可以促进广泛访问和早期检测癫痫的发展，而不需要昂贵的标签收集或手动特征提取。
2023-01-03 cs.AI cs.LG eess.SP
A Hierarchical Dirichlet Process Model with Multiple Levels of Clustering for Human EEG Seizure Modeling
University of Pennsylvania（宾夕法尼亚大学）
根据人类颅内脑电图（iEEG）记录癫痫发作的多层次结构，我们引入了一种新的层次Dirichlet过程--多层聚类层次Dirichlet过程（MLC-HDP），它同时对多个层次上的数据集进行聚类。我们的癫痫发作数据集包含每个患者每次癫痫发作的大脑活动记录，通常超过100个单独的通道。MLC-HDP模型同时对通道类型、患者类型和患者类型进行聚类。我们详细描述了这个模型及其实现。我们还提出了一个模拟研究的结果比较MLC-HDP一个类似的模型，嵌套狄利克雷过程，并最终证明了MLC-HDP的使用在多个患者的癫痫发作建模。我们发现MLC-HDP的聚类与独立的人类医生聚类相当。据我们所知，MLC-HDP模型是癫痫文献中第一个能够在患者内和患者之间聚集癫痫发作的模型。
2012-06-18 cs.LG stat.AP stat.ML
Real-Time Seizure Detection using EEG: A Comprehensive Comparison of Recent Approaches under a Realistic Setting
AITRICS；Massachusetts Institute of Technology（麻省理工学院）；The Cooper Union for the Advancement of Science and Art（库珀科学与艺术促进联盟）；National Health Insurance Service Ilsan Hospital（国民健康保险服务一山医院）；Severance Children’s Hospital, Yonsei University College of Medicine（延世大学医学院世福兰斯儿童医院）；KAIST（韩国科学技术院）
脑电图（EEG）是一种重要的诊断测试，医生用来记录大脑活动和检测癫痫发作通过监测信号。已经有几次尝试使用现代深度学习模型来检测癫痫发作和EEG信号中的异常，以减少临床负担。然而，由于它们是在不同的实验环境中进行测试的，因此不能相互公平地进行比较。此外，他们中的一些人没有接受过实时的【形】癫痫发作检测任务的训练，这使得设备上的应用变得困难。因此，在这项工作中，第一次，我们广泛比较了多个国家的最先进的模型和信号特征提取器在一个实时的【形】癫痫发作检测框架适合现实世界的应用，使用各种评估指标，包括一个新的，我们提出评估癫痫发作检测模型的更实际的方面。我们的代码可在www.example.com上获得。
2022-03-21 cs.LG
Neonatal Seizure Detection using Convolutional Neural Networks
Irish Centre for Fetal and Neonatal Translational Research, University College Cork（爱尔兰胎儿与新生儿转化研究中心，科克大学）
这项研究提出了一种新的端到端架构，使用完全卷积的深度神经网络从原始EEG数据中学习分层表示，用于新生儿癫痫发作检测任务。深度神经网络充当特征提取器和分类器两者，从而允许癫痫发作检测器的端到端优化。所设计的系统进行评估的连续未经编辑的多通道新生儿脑电图的大数据集，共835小时，包括1389癫痫发作。所提出的具有样本级滤波器的深度架构实现了与最先进的基于SVM的新生儿癫痫发作检测器相当的准确性，该检测器基于一组精心设计的手工制作的功能。全卷积架构允许定位EEG波形和模式，从而导致高癫痫发作概率，以供进一步临床检查。
2017-09-18 cs.LG stat.ML
Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Mount Sinai Hospital（西奈山医院）
脑电图（EEG）是测量大脑活动以研究癫痫的重要方法，从而有助于预测癫痫发作。癫痫发作预测是一个活跃的研究领域，许多基于深度学习的方法在最近的文献中占主导地位，用于解决这个问题。但是这些模型需要记录大量的患者特异性癫痫发作，以提取发作前和发作间期EEG数据用于训练分类器。值得注意的是，使用机器学习模型预测癫痫发作的灵敏度和特异性有所提高。然而，由于非平稳EEG，需要大量的患者特异性癫痫发作和模型的周期性再训练，这给为患者设计实用设备带来了困难。为了减轻这一过程，我们提出了一种基于暹罗神经网络的癫痫发作预测方法，该方法将小波变换的EEG张量作为输入，卷积神经网络（CNN）作为检测EEG中变化点的基础网络。与文献中利用数天EEG记录的解决方案相比，我们的方法仅需要一次癫痫发作进行训练，这转化为不到10分钟的发作前和发作间期数据，同时仍然获得与利用多次癫痫发作进行癫痫发作预测的模型相当的结果。
2020-11-14 cs.LG eess.SP
SeizureNet: Multi-Spectral Deep Feature Learning for Seizure Type Classification
IBM Research Australia（澳大利亚IBM研究中心）
脑电图（EEG）数据中癫痫发作类型的自动分类可以实现更精确的诊断和有效的疾病管理。由于低信噪比、信号伪影、癫痫患者中癫痫发作症状学的高差异以及临床数据的有限可用性等因素，这项任务具有挑战性。为了克服这些挑战，在本文中，我们提出了SeizureNet，这是一个深度学习框架，它使用集成架构学习多光谱特征嵌入，用于跨患者癫痫发作类型分类。我们使用最近发布的TUH EEG癫痫语料库（V1.4.0和V1.5.2）来评估SeizureNet的性能。实验表明，SeizureNet可以达到加权F1得分高达0.94的头皮EEG为基础的多类癫痫发作类型分类的头皮交叉验证和0.59的患者交叉验证。我们还表明，通过SeizureNet学习的高级特征嵌入通过低内存限制应用程序的知识蒸馏大大提高了较小网络的准确性。
2020-09-30 cs.LG q-bio.NC stat.ML
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG
The University of Western Australia（西澳大学）；University of Jeddah（吉达大学）
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，已知这是一个耗时且劳动密集的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程，提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型的多路径分类深度学习网络（MP-SeizNet），由卷积神经网络（CNN）和具有注意力机制的双向长短期记忆神经网络（Bi-LSTM）组成。本研究的目的是仅使用脑电图（EEG）数据对特定类型的癫痫发作进行分类，包括复杂部分性癫痫发作、简单部分性癫痫发作、失神性癫痫发作、强直性癫痫发作和强直阵挛性癫痫发作。EEG数据以两种不同的表示形式馈送到我们提出的模型。CNN被输入从EEG信号中提取的基于小波的特征，而Bi-LSTM被输入原始EEG信号，让我们的MP-SeizNet从癫痫发作数据的不同表示中联合学习，以获得更准确的信息学习。使用最大的可用EEG癫痫数据库（Temple University Hospital EEG Seizure Corpus，TUSZ v1.5.2）对拟定的MP-SeizNet进行了评价。我们使用三重交叉验证在不同患者数据中评估了我们提出的模型，使用五重交叉验证在癫痫发作数据中评估了我们提出的模型，分别获得了87.6%和98.1%的F1分数。
2023-03-02 cs.LG eess.SP
From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals
SynapCell SAS；Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格陵兰大学阿尔卑斯分校、国家科学研究中心、格陵兰理工学院、LJK）
本文提出基于深度学习的原始EEG信号处理方法，用于癫痫发作检测与分类，通过预处理、后处理及严格评估流程提升检测准确性，并在跨物种验证中表现优异。
2025-11-02 cs.LG q-bio.NC
Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach
Florida State University（佛罗里达州立大学）；The University of Osaka（大阪大学）
本文提出IRENE方法，通过信息瓶颈原理和自监督学习优化EEG图结构，解决癫痫检测中的噪声、稀疏标签和患者差异问题，提升模型性能。
2026-04-02 cs.LG
Supervised and Unsupervised Deep Learning Approaches for EEG Seizure Prediction
University Health Network（多伦多大学健康网络）；University of Toronto（多伦多大学）；KITE（凯特机构）；Institute of Biomedical Engineering（生物医学工程研究所）
针对癫痫发作预测，提出监督与无监督深度学习方法，在个体特异性下于两个大型脑电数据集上验证可行性，性能因患者和方法而异，为治疗干预提供新方向。
2024-02-03 cs.AI cs.LG eess.SP
NeuroCanvas: VLLM-Powered Robust Seizure Detection by Reformulating Multichannel EEG as Image
MINDxAI Lab, Industrial \& Systems Engineering Department, University of Louisville；UNITES Lab, University of North Carolina at Chapel Hill
NeuroCanvas通过重新表述多通道EEG为图像，利用VLLM实现高效且鲁棒的癫痫检测，提升F1分数20%并降低88%的推理延迟。
2026-02-09 cs.LG
Towards Modality-Agnostic Seizure Classification: A Unified Deep Learning Framework for Heterogeneous EEG and Intracranial EEG Signals
University of Strathclyde（思克莱德大学）；SRM Institute of Science and Technology（SRM科学技术学院）；Sheffield Hallam University（谢菲尔德哈勒姆大学）；Dublin City University（都柏林城市大学）；University of the West of England（西英格兰大学）
本文提出UMSH框架与基于cGAN的数据增强技术，采用EEGNet-ViT网络，实现异构EEG与iEEG信号的统一癫痫发作分类，提升了分类鲁棒性，为癫痫监测系统提供新方案。
2026-10-15 cs.AI cs.LG
Semi-supervised Seizure Prediction with Generative Adversarial Networks
The University of Sydney（悉尼大学）；Swinburne University of Technology（斯威本科技大学）；The University of Melbourne（墨尔本大学）；University of Queensland（昆士兰大学）
在这篇文章中，我们提出了一种方法，不仅可以利用标记的EEG信号，但也未标记的，这是更容易。我们还建议使用数据融合，以进一步提高癫痫发作预测的准确性。在我们的视野中，数据融合包括脑电信号、心电信号、体温和时间。我们使用短时傅立叶变换的28-s EEG窗口作为预处理步骤。生成对抗网络（GAN）以无监督的方式进行训练，其中忽略癫痫发作的信息。然后将GAN的训练鉴别器用作特征提取器。由特征提取器生成的特征由两个完全连接的层（可以由任何分类器替换）对标记的EEG信号进行分类。这种半监督癫痫发作预测方法分别实现了CHBMIT头皮EEG数据集和Freiburg医院颅内EEG数据集的77.68%和75.47%的工作特征曲线下面积（AUC）。无需标记的无监督训练非常重要，因为它不仅可以在EEG信号记录期间实时执行，而且不需要为每个患者进行特征工程工作。
2018-06-20 cs.CV cs.LG stat.ML
Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis
Stanford University（斯坦福大学）
从脑电图（EEG）中自动检测和分类癫痫发作可以大大提高癫痫发作的诊断和治疗。然而，在先前的自动化癫痫发作检测和分类研究中，几个建模挑战仍未解决：（1）在EEG中表示非欧几里德数据结构，（2）准确分类罕见癫痫发作类型，以及（3）缺乏定量可解释性方法来测量模型定位癫痫发作的能力。在这项研究中，我们通过以下方式解决这些挑战：（1）使用图形神经网络（GNN）表示EEG中的时空依赖性，并提出两种捕获电极几何形状或动态大脑连接的EEG图形结构，（2）提出一种自我监督的预训练方法，预测下一时间段的预处理信号，以进一步提高模型性能，特别是在罕见的癫痫发作类型上，以及（3）提出一种定量模型可解释性方法来评估模型在EEG中定位癫痫发作的能力。当在大型公共数据集上评估我们的癫痫发作检测和分类方法时，我们发现我们的自监督预训练GNN在癫痫发作检测上达到了0.875的接收器工作特征曲线下的面积，在癫痫发作分类上达到了0.749的加权F1分数，优于以前的癫痫发作检测和分类方法。此外，我们的自我监督预训练策略显着改善了罕见癫痫发作类型的分类。此外，定量可解释性分析表明，我们的具有自我监督预训练的GNN精确定位了25.4%的局灶性癫痫发作，比现有的CNN提高了21.9个百分点。最后，通过将识别的癫痫发作位置叠加在原始EEG信号和EEG图上，我们的方法可以为临床医生提供局部癫痫发作区域的直观可视化。
2022-03-13 cs.AI cs.LG eess.SP
Deep Architectures for Automated Seizure Detection in Scalp EEGs
使用临床脑电图的自动癫痫发作检测是一个具有挑战性的机器学习问题，因为多通道信号通常具有极低的信噪比。感兴趣的事件（例如癫痫发作）容易与信号伪影（例如，眼球运动）或良性变体（例如，慢）。商业上可获得的系统遭受不可接受的高误报警率。由于缺乏大数据资源，采用高维模型的深度学习算法以前并不有效。在本文中，我们使用TUH EEG癫痫发作语料库来评估各种混合深层结构，包括卷积神经网络和长短期记忆网络。我们引入了一种新的递归卷积架构，每24小时提供7个假警报的30%灵敏度。我们还评估了我们的系统在杜克大学癫痫发作语料库的基础上举行了评估集，并证明性能趋势是类似的TUH EEG癫痫发作语料库。这是一个重要的发现，因为杜克语料库是在不同的医院用不同的仪器收集的。我们的工作表明，整合空间和时间背景的深度学习架构对于实现最先进的性能至关重要，并将实现新一代临床可接受的技术。
2017-12-28 cs.LG eess.SP q-bio.NC
SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG
Inria Saclay（Inria萨克莱实验室）；Palaiseau, France（法国帕莱伊索）
提出SpaTeoGL框架，通过联合学习窗口级空间图和时间图，在平滑图信号处理框架下交替求解，实现癫痫发作起始区的可解释定位，在多中心iEEG数据集上优于基线方法。
2026-06-11 cs.LG
Automatic Seizure Prediction using CNN and LSTM
Bharati Vidyapeeth’s College of Engineering（巴拉蒂维迪亚佩特工程学院）
脑电图（EEG）是了解我们大脑内部活动和进一步了解我们身体活动的最宝贵的技术之一。使用EEG信号自动预测即将发生的癫痫发作有助于医生和临床专家，并减少他们的工作量。本文提出了一种端到端的深度学习算法，可以完全自动化癫痫发作预测的繁重任务，而无需对EEG数据或特征工程进行任何繁重的预处理。所提出的深度学习网络是信号处理和深度学习管道的混合，其使用EEG信号自动化癫痫发作预测框架。该模型在开放的EEG数据集CHB-MIT上进行了评估。该网络的平均灵敏度为97.746 \text{\%}，假阳性率（FPR）为0.2373/小时。
2022-10-28 cs.LG eess.SP
Deep Learning for EEG Seizure Detection in Preterm Infants
University College Cork（科克大学）；University of Parma（帕尔马大学）
EEG是新生儿癫痫发作检测的金标准，但早产儿组的EEG解释尤其具有挑战性;训练有素的专家稀缺，实时解释EEG的任务艰巨。据报道，早产儿癫痫发作的发生率高于足月儿。早产儿的EEG形态与足月儿的EEG形态不同，这意味着在足月儿EEG上训练的癫痫发作检测算法可能不合适。鉴于可用的带注释早产儿EEG数据量有限，开发早产儿特定算法的任务变得格外具有挑战性。本文探讨了用于早产儿新生儿癫痫发作检测任务的新型深度学习（DL）架构。该研究测试并比较了几种解决这个问题的方法：对足月婴儿的数据进行培训;对早产儿的数据进行培训;对特定年龄的早产儿数据进行培训和迁移学习。在持续时间为575小时的连续EEG记录的大型数据库上评估系统性能。结果表明，一个经过验证的术语训练的EEG癫痫发作检测算法，支持向量机分类器的基础上，早产儿测试时，准确性远远低于足月婴儿实现的性能。当对早产儿EEG进行测试时获得的AUC为88.3%，而当对足月儿EEG进行测试时获得的AUC为96.6%。当在早产儿EEG上重新训练时，性能略微增加到89.7%。另一种DL方法在对早产儿队列进行测试时显示出更稳定的趋势，从术语训练算法的93.3%的AUC开始，通过使用可用的早产儿数据从术语模型进行转移学习，达到95.0%。
2021-05-28 cs.AI cs.LG eess.SP
Epileptic Seizure Risk Assessment by Multi-Channel Imaging of the EEG
Centre for Informatics and Systems of the University of Coimbra（科英布拉大学信息与系统中心）；University of Coimbra（科英布拉大学）
难治性癫痫患者随时可能发作。癫痫发作预测将大大改善他们的生活。在这项工作中，基于头皮EEG及其转换为图像，使用CNN的softmax层输出（可能性）的平均值而不是分类层的输出来计算在任何时刻发生癫痫发作的可能性。结果表明，通过分析的可能性和阈值，预测具有较高的灵敏度或较低的FPR/h。5名患者的最佳可能性阈值高于50%，其余36名患者的最佳可能性阈值低于50%。然而，需要进行更多的测试，特别是在新的癫痫发作中，以更好地评估这种方法的实际性能。这项工作是一个具有积极前景的概念证明。
2022-04-12 cs.LG eess.SP
EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel Transformers
São Carlos School of Engineering（圣卡洛斯工程学院）；University of São Paulo（圣保罗大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Medical School of Ribeirão Preto（里贝朗普雷图医学院）
癫痫是最常见的神经系统疾病之一，其特征在于称为癫痫发作的短暂和无端事件。脑电图（EEG）是癫痫诊断和监测的辅助手段。鉴于癫痫发作的意外性质，其预测将改善患者护理，优化生活质量和癫痫治疗。预测癫痫发作意味着识别癫痫患者的EEG的两种不同状态：发作前和发作间期。在本文中，我们开发了两个深度学习模型，称为时间多通道Transformer（TMC-T）和Vision Transformer（TMC-ViT），它们是基于transformer的架构对多通道时间信号的适应。此外，我们还评估了选择不同发作前持续时间的影响，因为专家们对发作前持续时间的长度没有达成共识，并且还评估了样本量对每个模型的益处。我们的模型与全连接，卷积和循环网络进行了比较。该算法是患者特定的训练和评估的原始EEG信号从CHB-MIT数据库。实验结果和统计验证表明，我们的TMC-ViT模型超过了CNN架构，在癫痫发作预测的最新技术。
2022-09-18 cs.AI cs.LG eess.SP
EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network
Graduate School of Advanced Science and Engineering, Hiroshima University（Hiroshima大学先进科学与工程研究生院）；Department of Pediatric Neurology, Okayama University Hospital（Okayama大学医院儿科神经科）
针对癫痫EEG检测跨患者泛化差的问题，提出结合域对抗训练与CNN-BiLSTM的检测框架，通过域对抗提取患者不变特征、BiLSTM建模时间依赖，在20名局灶性癫痫患者数据上实现优于非对抗方法的跨患者检测性能。
2025-05-21 cs.LG eess.SP
Focal onset seizure prediction using convolutional networks
The Mount Sinai Epilepsy Center（西奈山癫痫中心）；Mount Sinai Hospital（西奈山医院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
目的：探讨头皮脑电图（EEG）数据预测局灶性癫痫发作的可能性。我们的第一个目标是学习特征，区分发作间期和发作前区域。第二个目标是确定一个预测范围，使预测尽可能准确和尽早，这显然是两个相互竞争的目标。研究方法：EEG信号小波变换上的卷积滤波器用于定义和学习每个时期的定量特征：发作间期、发作前和发作期。最佳癫痫发作预测范围也是从数据中学习的，而不是进行先验假设。结果：优化问题的计算解决方案表明了10分钟的癫痫发作预测范围。通过测量自动提取的特征的分布上的Kullback-Leibler散度来验证这一结果。结论：204个记录的EEG数据库的结果表明：（i）发作前相变发生在癫痫发作前约10分钟，（ii）测试集的预测结果是有希望的，灵敏度为87.8%，错误预测率为0.142 FP/h。我们的结果显着优于随机预测和其他癫痫发作预测算法。意义：我们证明了一个强大的功能集可以从头皮脑电图特征的局灶性癫痫发作的发作前状态。
2018-05-29 cs.LG stat.ML
REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates
EPFL（洛桑联邦理工学院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出基于图的残差状态更新机制REST，结合图神经网络与循环结构捕获脑电数据的时空特征，在保持高准确率的同时实现9倍推理加速并大幅降低内存，适用于临床设备的实时癫痫检测。
2024-06-03 cs.AI cs.LG eess.SP
Random Forest classifier for EEG-based seizure prediction
Paris Brian Institute（巴黎大脑研究所）；CentraleSupélec（巴黎中央理工-高等电力学院）；National Centre for scientific research（法国国家科学研究中心）；Hôpital de La Pitié Salpêtrière（皮提耶-萨尔佩特里埃医院）
癫痫发作预测在计算癫痫研究界获得了相当大的兴趣。本文提出了一种基于机器学习的癫痫发作预测方法，其性能优于最先进的方法。我们计算一个概率为一个给定的时期，被pre-ictal对interictal使用随机森林分类器，并引入新的概念，以提高算法的鲁棒性，以误报。我们评估了我们的方法对20例患者的基准头皮EEG CHB-MIT数据集的癫痫发作预测范围（SPH）为5分钟，癫痫发作发生期（SOP）为30分钟。我们的方法实现了82.07%的灵敏度和0.0799 /h的低假阳性率（FPR）。我们还在颅内EEG记录上测试了我们的方法。
2021-06-02 cs.LG eess.SP physics.med-ph
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
Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals
提出一种频率感知框架，将EEG分解为五个频段并提取判别特征，利用图卷积神经网络建模电极空间依赖，在CHB-MIT数据集上实现99.01%的宽带准确率，提高了可解释性和诊断精度。
2026-06-16 cs.AI cs.LG cs.NE
EEG Opto-processor: epileptic seizure detection using diffractive photonic computing units
Tsinghua University（清华大学）；Nanjing University（南京大学）
脑电分析是从脑电信号中提取关键信息的一种方法，为脑疾病诊断、脑机接口等应用提供了基础支持。然而，以高能效实时处理大规模脑电信号，对边缘计算设备上的电子处理器提出了巨大挑战。在这里，我们提出了基于衍射光子计算单元（DPU）的脑电信号光处理器，以有效地处理颅外和颅内脑电信号，并执行癫痫发作检测。第二时间窗内的EEG通道的信号被光学编码作为输入到所构造的衍射神经网络进行分类，其监测大脑状态以确定其是否是癫痫发作的症状。我们开发了自由空间和集成DPU作为边缘计算系统，并展示了它们在基准数据集实时癫痫发作检测中的应用，即，CHB-MIT颅外EEG数据集和Epilepsy-iEEG-多中心颅内EEG数据集，具有较高的计算性能。随着通道选择机制，数值评估和实验结果验证了足够高的分类精度的建议的光处理器用于监督临床诊断。本论文的工作为利用光子计算技术处理大规模脑电信号开辟了一个新的研究方向，促进了其更广泛的应用。
2022-12-09 cs.LG eess.SP physics.optics
Long-Term EEG Partitioning for Seizure Onset Detection
SANKEN, Osaka University（大阪大学 SANKEN）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carle Illinois College of Medicine, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校卡尔伊利诺伊医学院）
提出两阶段框架 SODor，通过子序列聚类显式建模长期 EEG 时间依赖性以检测癫痫发作起始，在三个数据集上纠正了错误分类并实现 5%-11% 的分类提升。
2025-03-03 cs.AI cs.LG eess.SP
Detecting Epileptic Seizures from EEG Data using Neural Networks
我们探索使用神经网络训练与辍学预测癫痫发作的脑电图数据（头皮脑电图）。神经网络的输入是126个特征向量，其包含在1秒非重叠窗口上获得的14个EEG通道中的每个通道的9个特征。我们实验中的模型在训练过程中没有使用的患者记录上实现了高灵敏度和特异性。这是使用患者记录之间的留一交叉验证来证明的，其中我们将一个患者的记录作为测试集，并使用所有其他患者的记录进行训练;对数据库中的所有患者重复此过程。
2019-02-04 cs.LG cs.NE q-bio.NC
Multichannel Synthetic Preictal EEG Signals to Enhance the Prediction of Epileptic Seizures
Zhejiang University（浙江大学）；Westlake University（西湖大学）
癫痫是一种慢性神经系统疾病，影响全球1%的人，基于深度学习（DL）算法的脑电图（EEG）分析为准确预测癫痫发作（ES）提供了可能性，从而使癫痫患者受益。为了识别癫痫发作之前的发作前区域，需要大量带注释的EEG信号来训练DL算法。然而，癫痫发作的稀缺性导致用于训练DL算法的数据显著不足。为了克服这一数据不足，在本文中，我们提出了一个preictal人工信号合成算法的基础上生成对抗网络生成合成多通道EEG preictal样本。通过视觉和统计评估确定的高质量单通道架构用于训练多通道样本的生成器。合成样本的有效性进行了评估，通过比较ES预测性能没有和合成preictal样本增强。通过10个$\times$合成样本的扩充，留一法交叉验证ES预测精度和相应的受试者工作特征曲线下面积分别从73.0%和0.676提高到78.0%和0.704。实验结果表明，合成预测样本对提高ES预测性能是有效的。
2022-04-29 cs.LG eess.SP
Multi-Branch Mutual-Distillation Transformer for EEG-Based Seizure Subtype Classification
Huazhong University of Science and Technology（华中科技大学）；Dongfeng Corporation Research & Development Institute（东风公司研发院）；China Electronic System Technology Co., Ltd.（中国电子系统技术有限公司）；Southern University of Science and Technology（南方科技大学）
本文提出多分支互蒸馏（MBMD）Transformer，通过多分支编码器块和原始EEG与不同频带小波间的互蒸馏策略，解决小样本下跨受试者癫痫发作亚型分类问题，性能优于现有方法。
2024-12-04 cs.LG eess.SP
Interpretable Multimodal EEG-ECG Framework for Neonatal Seizure Prediction and Patient-Adaptive Transfer Learning
Department of Electronic and Telecommunication Engineering, University of Moratuwa, Sri Lanka（电子与电信工程系，乌尔塔瓦大学，斯里兰卡）；Department of Biomedical Engineering, University of Melbourne, Australia（生物医学工程系，墨尔本大学，澳大利亚）；Department of Electrical and Computer Engineering, University of British Columbia, Canada（电气与计算机工程系，不列颠哥伦比亚大学，加拿大）；Department of Pediatrics, Faculty of Medicine, University of Colombo, Sri Lanka（儿科系，医学院，科伦坡大学，斯里兰卡）
针对新生儿癫痫易漏诊、现有cEEG监测成本高的问题，提出融合精简导联EEG与ECG的患者无关型卷积神经网络预测模型，结合注意力机制与SHAP可解释方法，实现发作前30分钟的高精度预测，泛化性优异。
2026-10-14 cs.LG eess.SP
EEG Signal Processing using Wavelets for Accurate Seizure Detection through Cost Sensitive Data Mining
Charles Sturt University（查尔斯特大学）
癫痫是一种最常见的慢性神经系统疾病。这种过度或同步的神经元活动被称为癫痫发作。脑电信号信号处理在癫痫发作的检测和预测中起着重要的作用。在本文中，我们介绍了一种方法，依赖于癫痫发作检测小波的属性。我们利用最大重叠离散小波变换，这使我们能够减少信号噪声，然后从小波系数中表现出的方差，我们开发电极之间的连接性和通信效率，因为这些属性在癫痫发作期间与非癫痫发作期间相比显着不同。我们使用基本的统计参数，从重建的降噪信号，电极连接和信息传输的效率来构建属性空间。我们利用公开的数据来测试我们的方法，发现它比一些现有的方法要好得多。
2021-09-22 cs.LG eess.SP
Epileptic Seizure Detection and Prediction from EEG Data: A Machine Learning Approach with Clinical Validation
本研究提出整合癫痫发作检测与预测的机器学习方法，用CHB-MIT数据库验证，发现逻辑回归检测性能均衡、LSTM预测准确率达89.26%，推动癫痫管理从被动转向主动。
2025-10-28 cs.AI cs.LG
Path Signatures for Seizure Forecasting
University of Melbourne（墨尔本大学）；IBM Australia（IBM澳大利亚公司）；St Vincent’s Hospital（圣文森特医院）；Federation University Australia（澳大利亚联邦大学）；Graeme Clark Institute（格雷姆·克拉克研究所）
本文提出使用路径签名和带稀疏约束的线性分类器，基于颅内脑电图数据以患者特定方式预测癫痫发作，发现其效果与传统时间序列统计量相当，表明仅靠脑电图数据无法可靠预测癫痫。
2023-10-23 cs.LG math.OC q-bio.QM
Residual Deep Convolutional Neural Network for EEG Signal Classification in Epilepsy
Frankfurt Institute for Advanced Studies (FIAS)（法兰克福高等研究院）；Goethe University Frankfurt（法兰克福大学）；Center for Personalized Translational Epilepsy Research (CePTER)（个性化转化癫痫研究中心）
癫痫是第四常见的神经系统疾病，影响所有年龄段约1%的人口。多达60%的癫痫患者会发生局灶性癫痫发作，这些癫痫发作起源于某个大脑区域，并仅限于一个大脑半球的一部分。在局灶性癫痫患者中，癫痫发作区的精确手术切除可导致有效的癫痫控制，甚至无癫痫结局。因此，正确识别癫痫发作区是必不可少的。出于临床评价目的，通常使用脑电图（EEG）记录。然而，它们的解释通常由医生手动完成，并且耗时且容易出错。在这项工作中，我们提出了一种基于现代深度学习方法的癫痫信号自动分类方法。与以前的方法相比，该网络直接在EEG记录上训练，避免了手工制作的特征提取和选择过程。这利用了深度神经网络自动检测和提取相关特征的能力，这些特征可能过于复杂或微妙而无法被人类注意到。建议的网络结构是基于一个卷积神经网络与剩余连接。我们证明了我们的网络在两个基准数据集（波恩大学的数据集和伯尔尼-巴塞罗那数据集）上产生了最先进的性能。我们的结论是，现代深度学习方法在原始EEG数据上训练时，可以在癫痫EEG分类和自动癫痫发作区域识别任务上达到最先进的性能。这表明这种方法具有改善临床实践的潜力。
2019-03-19 cs.LG eess.SP stat.ML
Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting
The Beacom College of Computer and Cyber Sciences, Dakota State University（达科他州立大学比科姆计算机与网络科学学院）
针对癫痫发作预测中的泛化与误报挑战，提出结合五个深度学习与三个经典机器学习模型的校准混合集成方法，在CHB-MIT上实现74.2%灵敏度与1.24次/小时误报。
2026-09-30 cs.LG
MR-EEGWaveNet: Multiresolutional EEGWaveNet for Seizure Detection from Long EEG Recordings
Department of Electronic and Information Engineering, Tokyo University of Agriculture and Technology（东京农业科技大学电子与信息工程系）；Medical Science Data-driven Mathematics Team, RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences（RIKEN跨学科理论与数学科学中心医学科学数据驱动数学团队）；Medical Data Mathematical Reasoning Special Team, RIKEN Center for Integrative Medical Sciences（RIKEN整合医学科学中心医学数据数学推理特别团队）；Department of Artificial Intelligence Medicine, Chiba University（千叶大学人工智能医学系）；Department of Neurosurgery, Juntendo University School of Medicine（武藏野大学医学部神经外科）
本文提出多分辨率EEGWaveNet端到端模型，通过时空卷积与多分辨率特征提取区分癫痫与伪迹，并引入异常分数后处理降低假阳性，在两个数据集上显著提升F1和精确率。
2025-08-19 cs.CV cs.LG
Imaging the time series of one single referenced EEG electrode for Epileptic Seizures Risk Analysis
University of Coimbra（科英布拉大学）；CISUC（科英布拉大学信息与系统中心）
难治性癫痫患者的单个头皮电极（加上参考电极）捕获的时间序列用于预测癫痫发作的易感性。使用三种不同的已知方法对时间序列进行预处理、分段，并且将每个分段转换成图像：递归图、Gramian角场、马尔可夫转移场。通过对CNN的softmax层的输出进行平均来计算在未来预定义时间窗口中发生癫痫发作的可能性，这与通常考虑分类层的输出不同。通过对这种可能性进行阈值化，癫痫发作预测具有更好的性能。有趣的是，几乎每个患者的最佳阈值都不同于50%。结果表明，该技术可以预测与一些癫痫发作和病人的良好效果。然而，需要更多的测试，即更多的患者和更多的癫痫发作，以更好地了解这种技术的真正潜力。
2022-06-29 cs.LG eess.SP
Wavelet-Based Multi-Class Seizure Type Classification System
The University of Western Australia（西澳大学）
癫痫是最常见的脑部疾病之一，影响超过1%的世界人口。它的特点是反复发作，有不同的类型，治疗方法也不同。脑电图（EEG）通常用于医疗服务，以诊断癫痫发作及其类型。癫痫发作的准确识别有助于为患者提供最佳治疗和准确信息。然而，癫痫发作的手动诊断程序是费力的和高度专业化的。此外，EEG手动评估是一种已知在专家之间具有低评分者间一致性的过程。本文提出了一种新的自动化技术，涉及提取特定的特征，从脑电信号使用双树复小波变换（DTCWT）和分类。我们在TUH EEG癫痫发作语料库（TUSZ）版本1.5.2数据集上评估了所提出的技术，并将其性能与现有的最先进的技术进行了比较，这些技术使用了由于类别不平衡癫痫发作类型而导致的整体F1评分。我们所提出的技术取得了最好的结果，加权F1得分分别为99.1%和74.7%的患者明智的分类，从而为该数据集设置新的基准结果。
2022-02-19 cs.LG eess.SP
Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection
University of Moratuwa（莫拉图瓦大学）；University of British Columbia（不列颠哥伦比亚大学）；University of Colombo（科伦坡大学）
针对现有新生儿癫痫检测金标准依赖资源密集型多通道视频-EEG监测的问题，提出结合卷积网络、图注意力层与全连接层的可解释深度学习模型，用精简导联实现检测并具备实时可解释性，在Zenodo数据集上AUC和召回率分别提升8.31%、42.86%。
2024-08-14 cs.AI cs.LG eess.SP
An Explainable Model for EEG Seizure Detection based on Connectivity Features
American University of Beirut（贝鲁特美国大学）
癫痫是一种以癫痫发作为特征的疾病，通过记录脑电活动来研究脑电信号。大脑不同部分之间的不同类型的通信的特征在于可以是定向和非定向的许多现有技术的连接性测量。我们建议采用一组无向（谱矩阵，谱矩阵的逆，相干性，部分相干性和锁相值）和定向特征（定向相干性，部分定向相干性）来学习深度神经网络，该网络检测特定数据窗口是否属于癫痫发作，这是标准癫痫发作分类的新方法。将我们的数据作为十个子窗口的序列，我们的目标是使用注意力、CNN、BiLstm和全连接层来设计一个最佳的深度学习模型。我们还使用基于特定层的感受野的激活值的学习模型的权重来计算相关性。我们最好的模型架构导致97.03%的准确率使用平衡的MITBIH数据子集。此外，我们能够解释所有患者中每个特征的相关性。我们能够通过研究激活对决定的影响来实验性地验证一些关于癫痫发作的科学事实。
2020-09-26 cs.LG
Canine EEG Helps Human: Cross-Species and Cross-Modality Epileptic Seizure Detection via Multi-Space Alignment
Ministry of Education Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部图像处理与智能控制重点实验室，人工智能与自动化学院，华中科技大学）；Hubei Key Laboratory of Brain-inspired Intelligent Systems, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（湖北省脑启发智能系统重点实验室，人工智能与自动化学院，华中科技大学）
本文提出基于跨物种和跨模态EEG数据的多空间对齐方法，利用深度学习技术提升癫痫发作检测能力，实验显示在有限标注数据下，检测准确率超过90%。
2025-02-08 cs.LG eess.SP
Detection of epileptic seizure in EEG signals using linear least squares preprocessing
Swinburne University of Technology（斯威本科技大学）
癫痫发作是大脑中异常过度神经元放电的短暂事件。通过检测癫痫发作发生前大脑中发生的电变化，可以阻止这种不必要的事件。癫痫发作的自动检测是必要的，因为EEG记录的视觉筛选是一项耗时的任务，需要专家来改进诊断。提出了四种基于线性最小二乘的预处理模型来提取脑电信号的关键特征，以检测癫痫发作。前两个模型是新开发的。原始信号（EEG）由正弦曲线近似。该模型的幅值由一个多项式函数构成，并与预先开发的样条函数进行比较，采用不同的统计指标，即分类准确率、真阳性率、假阳性率、假阴性率和精确度来评估模型的性能。这些度量是从分类器获得的混淆矩阵中导出的。在原始数据集和提取的特征集上使用不同的分类器。所提出的模型显着降低了分类问题的维数和计算时间，而在大多数情况下，分类精度得到提高。第一种和第三种模型是很有前途的特征提取方法。Logistic、LazyIB1、LazyIB5和J48是最好的分类器。其真阳性率和假阴性率均为$1$，假阳性率和假阴性率均为零，相应的精度值为$1$。数值结果表明，这些模型是强大的和有效的检测癫痫发作。
2016-04-27 cs.LG math.OC
Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection
University of New South Wales（新南威尔士大学）；Stanford University School of Medicine（斯坦福大学医学院）；Tsinghua University（清华大学）
目的：癫痫是一种以自发性发作为特征的慢性神经系统疾病，其影响约1%的世界人口。大多数当前的癫痫发作检测方法强烈依赖于患者的病史记录，因此在检测新患者的患者独立的情况下失败。为了克服这种限制，我们提出了一个强大的和可解释的癫痫发作检测模型，有效地学习癫痫发作状态，同时消除患者间的噪声。研究方法：提出了一种复杂的深度神经网络模型，通过对抗训练从原始的非侵入性脑电图（EEG）信号中学习纯脑电特定的表示。此外，为了提高解释性，我们开发了一个注意力机制，自动学习癫痫发作诊断过程中每个EEG通道的重要性。结果：所提出的方法进行评估天普大学医院脑电图（TUH脑电图）数据库。实验结果表明，我们的模型优于竞争国家的最先进的基线与低延迟。此外，所设计的注意机制被证明能够提供细粒度的病理分析的信息。结论及意义：我们提出了一种有效和高效的癫痫发作患者独立的诊断方法，基于原始EEG信号，而无需手动特征工程，这是朝着大规模部署的发展，为现实生活中使用的一步。
2020-02-01 cs.LG eess.SP
Attention-Enhanced Dual-Branch ConvNeXt-BiLSTM Network for Subject-Independent EEG Seizure Detection
Khulna University of Engineering & Technology（库尔纳工程技术大学）
提出注意力增强双分支ConvNeXt-BiLSTM网络，融合时频与时间特征，在CHB-MIT数据上实现97.88%准确率，实现受试者无关的EEG癫痫自动检测。
2026-09-22 cs.LG eess.SP
EEG-DIF: Early Warning of Epileptic Seizures through Generative Diffusion Model-based Multi-channel EEG Signals Forecasting
Sichuan University（四川大学）；West China Hospital, Sichuan University（四川大学华西医院）
本研究提出EEG-DIF，将多通道脑电预测转化为图像补全任务，利用生成扩散模型建模时空相关性，实现癫痫发作早期预警，预警准确率达0.89。
2024-10-22 cs.AI cs.LG eess.SP
RobustSeiz: An Open-Source Framework for Benchmarking the Robustness of EEG Seizure Detection Models
Sharif University of Technology（谢里夫理工大学）
该研究推出开源框架RobustSeiz，标准化4个EEG语料库，可对癫痫检测模型在环境、噪声等偏移下的鲁棒性进行基准测试，扩展了部署前评估范围。
2026-09-04 cs.LG eess.SP
Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network
Bilkent University（比尔肯特大学）；Institute for Infocomm Research（信息通信研究院）；KK Women's and Children's Hospital（KK妇女儿童医院）
这项工作的目的是开发一个端到端的解决方案，癫痫发作检测。我们设计了SeizNet，一种用于癫痫发作检测的卷积神经网络。为了将SeizNet与传统的机器学习方法进行比较，使用支持向量机（BPsvm）的频谱带功率特征实现了基线分类器。我们通过分别使用所有通道和两个通道设置评估SeizNet和BPsvm方法，探索使用最少数量的通道进行准确癫痫发作检测的可能性。EEG数据采集自KK妇女儿童医院收治的29名被诊断为典型失神发作的儿童患者。我们对所有受试者进行留一交叉验证。使用全通道数据，BPsvm产生的灵敏度为86.6%和0.84假警报（每小时），而SeizNet产生的总体灵敏度为95.8%和0.17假警报。更有趣的是，双通道的BPSNet优于全通道的BPsvm，灵敏度为93.3%，虚警为0.58。我们通过解码沿着卷积层学习的过滤器来进一步研究SeizNet的可解释性。在来自第三和第四卷积层的滤波器中可以清楚地观察到类似癫痫发作的特征。
2019-01-14 cs.CV cs.LG eess.SP
Investigating the Impact of CNN Depth on Neonatal Seizure Detection Performance
University College Cork（科克大学）
这项研究提出了一种新的，深度的，完全卷积的架构，该架构针对基于EEG的新生儿癫痫发作检测任务进行了优化。设计并测试了不同深度的架构;不同的网络深度会影响卷积感受野和相应的学习特征复杂度。将两个深度卷积网络与基于浅SVM的新生儿癫痫发作检测器进行比较，该检测器依赖于手工特征的提取。在包含1389次癫痫发作事件的800多小时多通道未经编辑EEG的大型临床数据集上，深11层架构的性能显著优于浅架构，将AUC 90从82.6%提高到86.8%。将端到端深度架构与基于特征的浅层SVM相结合，进一步将AUC 90提高到87.6%。不同深度的分类器的融合大大提高了性能并降低了可变性，使得组合分类器在临床上更可靠。
2018-06-08 cs.LG stat.ML
