Open and free EEG datasets for epilepsy diagnosis
癫痫是一种常见的慢性神经系统疾病，影响全球超过5000万人。它的特征是无诱因的，反复发作（类似或不同类型），通常通过临床脑电图诊断。高质量、开放获取和免费的EEG数据可以作为催化剂，促进正在进行的最先进（SOTA）研究工作，用于癫痫和癫痫发作的检测、预测和管理。他们还可以帮助改善这些患病个体的生活质量（QOL），并为个性化医疗中的医疗保健多媒体，数据分析和人工智能（AI）研究做出贡献。本文介绍了广泛使用的，可用的，开放和免费的脑电图数据集可用于癫痫和癫痫发作诊断。还对开放和私有数据集进行了简要的比较和讨论。这些数据集将有助于开发和评估自动计算机辅助医疗系统。
2021-08-02 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
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
Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models
The University of Sydney（悉尼大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）
癫痫影响着全球近1%的人口，其中三分之二可以通过抗癫痫药物治疗，手术治疗的比例要低得多。癫痫的诊断程序和监测是高度专业化和劳动密集型的。诊断的准确性也因重叠的医学症状、不同的经验水平和临床专业之间的观察者差异而复杂化。本文提出了一种新型的混合双线性深度学习网络，并将其应用于癫痫分类诊断的临床程序中，其中使用表面脑电图（sEEG）和视听监测是标准做法。基于两种类型的特征提取器，即卷积神经网络（CNN）和递归神经网络（RNN）的混合双线性模型，使用一秒sEEG的短时傅里叶变换（STFT）进行训练。在所提出的混合模型中，CNN提取时空模式，而RNN则专注于给定相同输入数据的相对较长时间间隔内的时间动态特性。基于这些时空特征之间的相互作用的二阶特征通过双线性池化进一步探索并用于癫痫分类。我们提出的方法在坦普尔大学医院癫痫语料库上获得了97.4%的F1分数，在EPILEPSIAE数据集上获得了97.2%的F1分数，与现有的基于sEEG的癫痫类型分类基准相比，这是有利的。该研究的开源实现可在https://github.com/NeuroSyd/Epileptic-Seizure-Classification上获得
2020-01-15 cs.LG eess.SP stat.ML
An Unobtrusive and Lightweight Ear-worn System for Continuous Epileptic Seizure Detection
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；The University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Earable Inc.（Earable公司）
针对头皮EEG监测成本高、需住院且不舒适的问题，本文提出轻量级非干扰耳戴系统EarSD，通过耳后生理信号采集、降噪与无线传输实现连续癫痫发作检测，并在实验室和医院患者中开展实验验证。
2024-10-24 cs.LG eess.SP
SeizNet: An AI-enabled Implantable Sensor Network System for Seizure Prediction
Institute for the Wireless Internet of Things, Northeastern University, Boston, MA, U.S.A.（无线互联网研究所，东北大学，波士顿，马萨诸塞州，美国）；University of Louisville, Louisville, KY, U.S.A.（路易斯维尔大学，路易斯维尔，肯塔基州，美国）
SeizNet利用深度学习和多传感器数据提升癫痫预测的特异性与灵敏度，实现高达99%的预测准确率，为难治性癫痫治疗提供新途径。
2024-01-12 cs.LG eess.SP
Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection
Swiss Federal Institute of Technology Lausanne（洛桑联邦理工学院）
从实时检测和可穿戴设备设计的工程角度来看，癫痫患者的长期监测是一个具有挑战性的问题。它需要新的解决方案，以便能够连续无障碍地监测和可靠地检测和预测癫痫发作。脑电图（EEG）模式的高度可变性存在于癫痫发作期间的人群、大脑状态和时间实例之间，但也存在于非癫痫发作期间。这使得癫痫发作检测非常具有挑战性，特别是如果数据仅在发作和非发作标签下分组。超维计算是一种新型的机器学习方法，是一种很有前途的工具。然而，当数据显示高的类内变异性时，它具有一定的局限性。因此，在这项工作中，我们提出了一种新的半监督学习方法的基础上的多质心HD计算。多质心方法允许具有表示癫痫发作和非癫痫发作状态的几个原型向量，与简单的2类HD模型相比，这导致显著改善的性能。此外，现实生活中的数据不平衡带来了额外的挑战，平衡数据子集报告的性能可能被高估。因此，我们用三种不同的数据集平衡方案测试了我们的多质心方法，结果表明，对于不平衡的数据集，性能提高更高。更具体地说，高达14%的改善是在一个不平衡的测试集上实现的，该测试集的非癫痫发作数据比癫痫发作数据多10倍。与此同时，与平衡数据集相比，子类的总数没有显著增加。因此，所提出的多质心方法可以是实现具有现实生活数据平衡的癫痫检测的高性能或在癫痫发作不频繁的在线学习期间的重要元素。
2021-11-16 cs.LG cs.NE eess.SP
The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection
Computer Science Department, Federal University of Ouro Preto（欧鲁普雷图联邦大学计算机科学系）
本研究系统比较了基于时域、频域和时频域EEG数据训练的深度神经网络，发现频域数据在癫痫发作检测中准确率超过97%，为自动化诊断提供了最佳表征和模型架构。
2025-04-24 cs.LG eess.SP
Machine Learning Methods Applied to Cortico-Cortical Evoked Potentials Aid in Localizing Seizure Onset Zones
University of Florida（佛罗里达大学）；NVIDIA（英伟达）；University of Utah（犹他大学）；Harvard University（哈佛大学）
癫痫影响着数百万人，降低了生活质量，增加了过早死亡的风险。三分之一的癫痫病例是耐药性的，需要手术治疗，这就需要定位大脑中的癫痫发作区（SOZ）。已经尝试使用皮质-皮质诱发电位（CCEP）来改善SOZ定位，但没有一个成功的临床采用。在这里，我们比较了10个机器学习分类器在从CCEP数据定位SOZ方面的性能。这项初步研究验证了机器学习的一个新应用，结果表明我们的方法是一个有前途的研究方向，值得进一步研究。这项工作还有助于促进与其他机器学习和/或癫痫研究人员的讨论和合作。
2022-11-15 cs.LG eess.SP q-bio.NC
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
Principle components analysis for seizures prediction using wavelet transform
Shaheed Zulfikar Ali Bhutto Institute of Science and Technology（沙希德·祖尔菲卡尔·阿里·布托科学技术学院）；FAST National University of Computer and Emerging Sciences（FAST国家计算机与新兴科学大学）
癫痫是一种由于神经元异常活动而频繁发作的疾病。受这种疾病影响的患者可以在药物或外科手术的帮助下进行治疗。然而，这两种方法都不是很有用。有效治疗癫痫患者的唯一方法是在发作前预测癫痫发作。据观察，大脑信号的异常活动在癫痫发作之前就开始了，称为发作前状态。许多研究人员提出了机器学习模型，通过检测发作前状态的开始来预测癫痫发作。然而，预处理，特征提取和分类仍然是一个巨大的挑战，在预测发作前期状态。因此，我们提出了一个模型，使用共同的空间模式滤波和小波变换的预处理，主成分分析的特征提取和支持向量机检测发作前期状态。我们已经将我们的模型应用于23名受试者，84次癫痫发作的平均灵敏度为93.1%。
2020-03-09 cs.LG eess.SP q-bio.NC
Synthetic Epileptic Brain Activities Using Generative Adversarial Networks
ETHZ（苏黎世联邦理工学院）；EPFL（洛桑联邦理工学院）；CHUV（洛桑大学医院）
癫痫是一种慢性神经系统疾病，影响全球超过6500万人，表现为反复发作的无端癫痫发作。癫痫发作的不可预测性不仅降低了患者的生活质量，而且还可能危及生命。目前正在开发监测脑电图（EEG）信号的现代系统，以便检测癫痫发作，从而提醒护理人员并减少癫痫发作对患者生活质量的影响。这种癫痫发作检测系统采用最先进的机器学习算法，其需要相当大量的标记的个人数据用于训练。然而，获取癫痫发作的EEG信号对于医学专家和患者来说是一个昂贵且耗时的过程，目前需要在专科医院进行记录。在这项工作中，我们产生了合成的神经元样脑电活动，即，EEG信号，可用于训练癫痫发作检测算法，减少对记录数据的需求。首先，我们用来自30名癫痫患者的数据训练生成对抗网络（GAN）。然后，我们为新的、看不见的患者生成合成的个性化训练集，其总体检测性能高于真实数据训练集。我们使用世界上最大的癫痫发作检测公共数据库之一EPILEPSIAE项目的数据集来展示我们的结果。
2019-11-12 cs.LG eess.SP
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
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
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
SeizeIT2: Wearable Dataset Of Patients With Focal Epilepsy
本研究提出了首个局灶性癫痫患者的可穿戴多模态开放数据集SeizeITth，包含125名患者的超11000小时数据和886次发作记录，并提供了训练验证划分与基准方法以推动AI癫痫检测研究。
2025-02-03 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
Efficient EEG Seizure Detection Using INT8 Quantization, Channel Pruning, and Spiking Neural Networks
Leiden Institute of Advanced Computer Science（莱顿先进计算机科学研究所）；Leiden University（莱顿大学）
研究针对可穿戴和植入设备检测癫痫的难题，以一维卷积神经网络为基线，采用参数转移、通道剪枝、INT8 量化三种策略，实现减少模型大小、降低能耗、加快速度，为癫痫检测提供互补效率方向。
2026-07-21 cs.AI cs.LG eess.SP
Seizure Prediction Using Bidirectional LSTM
COMSATS University Islamabad（COMSATS伊斯兰堡大学）；Tsinghua University（清华大学）；Arab Open University-Palestine（阿拉伯开放大学巴勒斯坦分校）；Jashore University of Science and Technology（杰索尔科技大学）
全世界约有5000万人患有癫痫。对于患者来说，抗癫痫药物并不总是有用的，这些药物可能对患者的健康产生不希望的副作用。如果预测到癫痫发作，患者将有足够的时间采取预防措施。这项工作的目的是研究双向LSTM在癫痫发作预测中的应用。在本文中，我们在一个双双向LSTM层上训练了来自犬的EEG数据，然后是一个完全连接的层。这些数据是由美国癫痫协会以Kaggle竞赛的形式提供的。主要任务是对发作间期和发作前EEG片段进行分类。使用该模型，我们在测试数据集上获得了0.84的AUC。这表明，我们的分类器的性能高于机会水平上看不见的数据。与以前的工作相比，使用双向LSTM网络可以实现比SVM和GRU网络更好的结果。
2019-12-13 cs.LG eess.SP stat.ML
Nocturnal Seizure Detection Using Off-the-Shelf WiFi
癫痫患者夜间癫痫发作的检测是必不可少的，无论是对癫痫发作并发症的快速管理，并为正在进行的癫痫发作治疗的评估。传统的缉获检测产品（例如，然而，可穿戴设备）要么非常昂贵、不舒适，要么不可靠。在本文中，我们建议利用日常WiFi信号进行稳健，快速和非侵入性的夜间癫痫发作检测。我们首先提出了一个新的和严格的数学表征的频谱内容/带宽的WiFi信号，在一个WiFi设备上放置在睡眠患者附近，在不同种类的睡眠运动：癫痫发作，正常运动（例如姿势调整），和呼吸。基于这种数学建模，我们提出了一种新的管道来处理接收到的WiFi信号，以鲁棒地检测所有夜间非呼吸运动，然后将其分类为正常的身体运动或癫痫发作。为了验证这一点，我们在7个不同的典型卧室位置进行了广泛的实验，其中一组20名演员模拟癫痫发作的状态（共260例），以及正常的睡眠运动（共410例）。我们提出的系统检测到93.85%的癫痫发作，平均响应时间仅为5.69秒，因为癫痫发作。此外，我们提出的系统实现了一个错误报警的概率只有0.0097，分类正常的睡眠运动。总的来说，我们新的数学建模和实验结果显示了无处不在的WiFi信号在检测夜间癫痫发作方面的巨大潜力，这可以为癫痫患者及其护理人员提供更好的支持。
2021-07-27 eess.SP
cSeiz: An Edge-Device for Accurate Seizure Detection and Control for Smart Healthcare
癫痫是最常见的神经系统疾病之一，影响世界人口的1%，美国约有250万人。超过30%的癫痫患者的癫痫发作对抗癫痫药物难治。一项重要的生物医学研究工作集中在开发一种用于实时控制癫痫发作的节能可植入设备上。在本文中，我们提出了一种基于医疗物联网（IoMT）的自动癫痫发作检测和药物输送系统（DDS），用于控制癫痫发作。拟议的系统将检测癫痫发作，并在发作时注射快速作用的抗癫痫药物，以抑制癫痫发作的进展。药物注射分两个阶段进行。最初，癫痫发作检测器使用超同步信号检测电路和信号抑制算法（SRA）从脑电图（EEG）信号检测癫痫发作。在第二阶段，在癫痫发作检测时，药物在癫痫发作区域释放。该设计使用系统级仿真和消费电子概念验证进行了验证。所提出的癫痫发作检测器报告的灵敏度为96.9%，特异性为97.5%。与先前的方法相比，使用最少的电路导致功耗的显著降低。所提出的方法可以推广到其他传感器模态以及可穿戴和可植入解决方案的使用，或两者的组合。
2019-08-21 cs.SY eess.SP eess.SY
A New Neuromorphic Computing Approach for Epileptic Seizure Prediction
Westlake University（西湖大学）；Fudan University（复旦大学）
本文报道了几种利用卷积神经网络（CNN）进行癫痫发作预测的高特异性和高灵敏度的方法。然而，CNN在计算上是昂贵的并且耗电。这些不便使得基于CNN的方法难以在可穿戴设备上实现。基于能量有效的脉冲神经网络，提出了一种用于癫痫发作预测的类脑计算方法。该方法使用高斯随机离散编码器从EEG样本中产生尖峰序列，并在结合CNN和SNN优点的尖峰卷积神经网络（Spiking-CNN）中进行预测。实验结果表明，与CNN相比，Spiking-CNN CNN的灵敏度、特异度和AUC分别保持在95.1%、99.2%和0.912，而计算复杂度降低了98.58%，表明Spiking-CNN具有硬件友好性和高精度。
2021-02-25 cs.AI cs.HC cs.NE
Towards Early Diagnosis of Epilepsy from EEG Data
Frankfurt Institute for Advanced Studies (FIAS)（法兰克福高等研究院（FIAS））；Goethe University Frankfurt（法兰克福歌德大学）；Center for Personalized Translational Epilepsy Research (CePTER)（个性化转化癫痫研究中心（CePTER））；Oscar Langendorff Institute of Physiology, Rostock University Medical Center（罗斯托克大学医学中心奥斯卡·朗根多夫生理研究所）；Royal College of Surgeons Ireland（爱尔兰皇家外科医学院）
癫痫是最常见的神经系统疾病之一，影响所有年龄段约1%的人口。检测癫痫的发展，即，癫痫发生（EPG），在任何癫痫发作发生之前，可以允许早期干预和潜在的更有效的治疗。在这里，我们研究现代机器学习（ML）技术是否可以在任何癫痫发作发生之前从颅内脑电图（EEG）记录中检测EPG。为此，我们使用癫痫的啮齿动物模型，其中EPG由大脑的电刺激触发。我们提出了一个用于EPG识别的ML框架，该框架将深度卷积神经网络（CNN）与预测聚合方法相结合，以获得最终的分类决策。具体地，训练神经网络以区分从刺激前时段或刺激后时段获取的EEG记录的五秒段。由于癫痫的逐渐发展，刺激前后的EEG模式有很大的重叠。因此，引入了预测聚合过程，该过程在较长时间内汇集预测。通过在一个小时内聚合预测，我们的方法在EPG检测任务上实现了0.99的曲线下面积（AUC）。这证明了从EEG记录预测EPG的可行性。
2020-06-17 cs.LG eess.SP stat.ML
A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques
癫痫是一种神经系统疾病，它会影响大脑和神经系统。其特征是反复发作，这是对一组脑细胞中突然、通常短暂、过度放电的身体反应。因此，癫痫发作的识别在癫痫患者的临床治疗中具有重要意义。脑电图（EEG）是测量脑电压波动的主要生物标志物之一，EEG数据分析有助于研究癫痫综合征患者，因为癫痫在EEG信号中留下了他们的签名。本文采用离散小波变换对脑电信号进行预处理，分解到第4层分解树，根据分解树的细节系数和最后一层分解树的近似系数计算熵、最小值、最大值、均值、中值、标准差、方差、偏度、能量和相对波能量等特征，然后，利用小波变换对脑电信号进行小波分解，得到脑电信号的特征信息。所提取的特征由三种现代机器学习分类器评估，诸如基于径向基函数的支持向量机（SVMRBF）、k-最近邻（KNN）和朴素贝叶斯（NB）。实验结果表明，SVMRBF对正常受试者数据和癫痫数据的分类准确率最高（100%）。在正常受试者数据和癫痫数据之间，使用KNN和NB的相应准确性在睁眼和闭眼条件下分别为99.50%和99%。SVMRBF、KNN和NB分类器对发作间期和发作期数据的分类准确率分别为99%、97.50%和98.50%。这些精确度比以前发表的结果高得多。
2018-07-13 eess.SP
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
Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
提出轻量级卷积Transformer（LCT），通过卷积令牌化和序列池化改进ViT，在CHB-MIT数据集上以0.5秒片段实现跨患者癫痫发作检测，准确率96.31%，F1分数96.32%，同时降低计算复杂度。
2023-05-07 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
A Meta-GNN approach to personalized seizure detection and classification
EPFL（洛桑联邦理工学院）
在本文中，我们提出了一个个性化的癫痫发作检测和分类框架，可以快速适应有限的癫痫发作样本中的特定患者。我们通过结合两种新的范式来实现这一点，这两种范式最近在各种现实世界的应用中取得了很大的成功：图神经网络（GNN）和元学习。我们训练基于元GNN的分类器，该分类器从一组训练患者中学习全局模型，使得该全局模型最终可以使用非常有限的样本来适应新的未见过的患者。我们将我们的方法应用于TUSZ数据集，这是最大的和公开可用的癫痫基准数据集之一。我们表明，我们的方法优于基线，在新的看不见的患者上仅迭代20次后，准确率达到82.7%，F1评分达到82.08%。
2023-03-20 cs.LG eess.SP
Deep learning from wristband sensor data: towards wearable, non-invasive seizure forecasting
癫痫发作预测可以为患者提供及时的警告，以适应他们的日常活动，并帮助临床医生提供更客观，个性化的治疗。虽然最近的工作已经令人信服地证明癫痫发作风险评估是可能的，但这些早期方法在很大程度上依赖于复杂的，通常是侵入性的设置，包括颅内皮质电描记术，植入设备和多通道EEG，这限制了这些方法的广泛临床应用。为了促进癫痫发作预测在临床实践中的更广泛适应，结合临床信息可靠地评估癫痫发作风险的非侵入性、易于应用的技术至关重要。连续记录生理参数（包括皮肤电活动、体温、血容量压力和体动记录）的腕带可以提供对自主神经系统功能和与这种任务相关的运动的监测，因此最小化与侵入性监测相关联的潜在并发症，并且避免与头部上的庞大外部监测设备相关联的耻辱。在这里，我们使用深度学习来分析来自50名癫痫患者的长期多模态腕带传感器数据（总持续时间$>$ 1400小时），以评估其区分发作前期和发作间期状态的能力。预测性能使用基于F1分数的受试者操作特征下的面积（AUC）和机会改善（IoC）来评估。使用一维和二维卷积神经网络，我们在60%的留一法患者和43%的伪前瞻性方法患者的样本外测试数据中确定了优于机会的可预测性。这些结果为开发更容易应用的非侵入性癫痫患者癫痫发作风险评估方法迈出了一步。
2019-06-07 eess.SP q-bio.NC
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
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
SeizureFormer: A Transformer Model for IEA-Based Seizure Risk Forecasting
Department of Computer Science, Emory University（计算机科学系，埃默里大学）；Department of Neurology, Emory University（神经病学系，埃默里大学）
SeizureFormer利用RNS系统的IEA与LE生物标志物，结合CNN patch嵌入、多头自注意力和squeeze-and-excitation模块，在五名患者1-14天预测窗口上以79.44% ROC AUC和76.29% PR AUC实现最先进的癫痫发作风险预测性能。
2025-05-09 cs.LG eess.SP
Staging Epileptogenesis with Deep Neural Networks
Epilepsy Center Frankfurt（法兰克福癫痫中心）；Rhine-Main Neurocenter（莱茵-美因神经中心）
癫痫是一种常见的神经系统疾病，其特征是反复发作并伴有过度的同步脑活动。大脑结构和功能改变导致癫痫易感性增加并最终自发性癫痫发作的过程称为癫痫发生（EPG），可以持续数月甚至数年。检测和监测EPG的进展可以允许有针对性的早期干预，可以减缓疾病进展甚至阻止其发展。在这里，我们提出了一种使用深度神经网络对EPG进行分期的方法，并识别潜在的脑电图（EEG）生物标志物来区分EPG的不同阶段。具体而言，从啮齿动物模型中收集连续颅内EEG记录，其中癫痫由电穿孔通路刺激（PPS）诱导。训练深度神经网络（DNN）以区分来自刺激之前（基线）、PPS之后不久和PPS之后很久但在第一次自发性癫痫发作（FSS）之前的EEG信号。实验结果表明，我们所提出的方法可以从三个阶段的平均曲线下面积（AUC）为0.93，0.89和0.86的EEG信号进行分类。据我们所知，这代表了在使用DNN的FSS之前进行EPG的首次成功尝试。
2020-06-17 cs.LG eess.SP q-bio.NC
A New Method for Epileptic Seizure Classification in EEG Using Adapted Wavelet Packets
脑电图（EEG）作为癫痫发作分类的最常用工具，包含了有关大脑不同生理状态的有用信息。当在时频基投影中定位时，可以更好地识别EEG信号中的癫痫发作相关特征。本文提出了一种基于小波包的癫痫发作分类方法，通过对小波包基和小波母函数进行后验自适应，提高了癫痫发作分类的准确性。支持向量机（SVM）作为分类器用于癫痫发作与非癫痫发作EEG段分类。为了评估所提出的算法，公开可用的数据集包含不同的群体癫痫患者和健康个体。实验结果表明，该方法在癫痫发作分类中的性能优于一些已有的算法。
2018-05-12 eess.SP
Classification of seizure and seizure-free EEG signals based on empirical wavelet transform and phase space reconstruction
癫痫是一种由于神经元异常活动引起的脑部疾病，记录癫痫发作是评估癫痫患者的主要兴趣。脑电节律是一种局部或全脑的节律性放电现象，个体行为通常持续数秒至数分钟。本文应用经验小波变换（EWT）对脑电信号进行分解，得到脑电节律。使用EWT将EEG信号分离为delta、theta、alpha、beta和gamma节律。所提出的方法已经通过基准数据集进行了评估，该基准数据集可以从波恩大学网站免费下载。95%置信度的椭圆面积是从作为特征的节律的重构相空间（RPS）的2D投影计算的，并且被馈送到K-最近邻分类器以检测癫痫发作（S）和无癫痫发作（SF）EEG信号。我们提出的方法存档98%的准确率在S和SF EEG信号的分类与十倍的交叉验证策略，是高于以前的技术。
2019-03-22 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
Automated Detection of Abnormalities from an EEG Recording of Epilepsy Patients With a Compact Convolutional Neural Network
Tokyo University of Agriculture and Technology（东京农工大学）；Juntendo University Nerima Hospital（顺天堂大学练马医院）
脑电图（EEG）对于癫痫的诊断是必不可少的，但它需要专业知识和经验来识别异常。因此，至关重要的是开发自动化模型，用于检测与癫痫相关的EEG异常。本文描述了一类新的紧凑型卷积神经网络（CNN）的发展，用于检测癫痫脑电图中的异常模式和电极。设计模型的灵感来自于为脑机接口开发的CNN，称为多通道EEGNet（mEEGNet）。与EEGNet不同，所提出的模型mEEGNet具有相同数量的电极输入和输出来检测异常模式。使用由临床专家标记的29例青少年和儿童失神癫痫病例组成的临床数据集对mEEGNet进行评价。对发作（癫痫发作）和发作间期（非癫痫发作）期间肉眼观察到的阵发性放电进行标记。结果表明，mEEGNet检测到的曲线下面积、F1值和灵敏度等于或高于现有CNN。而且，参数的数量比其他CNN模型要少得多。据我们所知，通过这项研究用机器学习验证的失神癫痫数据集是文献中最大的。
2021-06-26 cs.LG eess.SP
Continental generalization of an AI system for clinical seizure recognition
脑电图（EEG）监测和客观的癫痫发作识别是一个必要的临床调查，一些癫痫患者。准确的注释是由EEG专家通过耗时的过程完成的。用于癫痫发作检测的计算机辅助系统目前缺乏广泛的临床实用性，这是由于回顾性、患者特异性和/或不可再现的研究导致临床测试中的低灵敏度或高假阳性。我们的目标是通过展示平衡灵敏度和特异性的癫痫发作检测的大陆概括来显着减少数据注释的时间和资源。这是一项人工智能的前瞻性推理测试，测试对象是澳大利亚悉尼一家医院2011年至2019年期间癫痫患者近14,590小时的成人脑电图数据。推理集包括不同年龄和EEG记录时间范围内不同类型和频率癫痫发作的患者。我们在人工智能辅助模式下验证了我们的推理模型，由人类专家仲裁者和神经学家专家和EEG专家组成的结果审查小组进行了66次会议，以证明在时间减少一个数量级的情况下实现了相同的性能。我们对澳大利亚数据集上的1，006个EEG记录会话的推断达到了76.68%，平均每24小时有近56个[0，115]假警报，而不是人类专家独立进行的传统地面实况注释。我们与人类仲裁者进行了66次试点测试，并由专家小组审查了地面真相，证实了人工智能辅助系统的92.19%的相同人类表现，而时间要求从平均90分钟显著减少到7.62分钟。
2021-04-21 eess.SP physics.med-ph
Convolutional neural network for detection and classification of seizures in clinical data
Kaunas University of Technology（考纳斯理工大学）
临床脑电图数据中的癫痫发作检测和分类仍然是一个挑战，并且使用通常是患者非特异性的市售发作检测工具仅实现了具有高误报率的低灵敏度。癫痫患者由于不可预测的癫痫发作而遭受严重的有害影响，如身体损伤或抑郁症。然而，即使在医院中，由于高误报率，癫痫发作警报系统对患者的帮助也很小，因为癫痫发作检测工具大多是在不切实际的干净数据上训练的，这些数据包含很少的噪声并且是在受控的实验室条件下获得的，其中患者组是同质的，例如在年龄或癫痫发作类型方面。在这项研究中，作者提出了使用脑电图的临床数据和基于大脑同步和功率谱特征训练的卷积神经网络来检测和分类癫痫发作的方法。应用了各种深度学习方法，并在非常异构的临床脑电图数据集上训练了网络。总共考虑了八种不同类型的癫痫发作，患者年龄不同，健康状况不同，并在临床条件下观察。尽管如此，本文中提出的分类器实现了等于0.68和0.67的灵敏度和特异性，因此，与临床数据的已知结果相比，这是显著的改进。
2020-07-13 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
Demo: Multi-Modal Seizure Prediction System
Institute for the Wireless Internet of Things, Northeastern University（无线网络物联网研究院，东北大学）
本研究提出SeizNet多模态癫痫预测系统，结合iEEG、EEG和ECG传感器数据，利用边缘优化的深度学习算法实现实时推理，在保持植入设备尺寸与能耗限制下达到>97%预测准确率。
2024-11-15 cs.LG eess.SP
EEG Signal Classification using Variational Mode Decomposition
癫痫每年影响约1%的人口，其特征是大脑中神经元的异常和突然的超同步兴奋。脑电图（EEG）是记录脑信号和诊断癫痫和癫痫发作病例的最广泛使用的方法。在本文中，我们使用变分模式分解（VMD）的方法在我们的分析，以分类癫痫发作/癫痫发作免费的信号。这种技术使用变分非递归模式分解，与其他方法如经验模式（EMD）和希尔伯特-黄变换递归分解信号相比，使它们更容易受到噪声和采样率的影响。VMD将信号分解为称为主模的分量。在我们的分析中，分解信号的4个特征，即Renyi熵、二阶差分图（SODP）、四阶差分图（FODP）和平均幅度，分别进行了研究，并使用同时考虑所有4个特征的排名方法。分解后的信号模式的SODP是一个椭圆结构。从分解的信号模式的SODP测量的95%置信度的椭圆面积已被用作特征，以便从癫痫发作EEG信号中区分无癫痫EEG信号。对于分类，使用具有反向传播算法的多层感知器（MLP）作为训练方法。一个高百分比的准确性时，获得的功能单独用于分类，甚至更高的准确度时，获得使用的排名方法。
2020-03-28 eess.SP
A review on Epileptic Seizure Detection using Machine Learning
University of Management and Technology（管理与技术大学）
癫痫是一种危及生命的脑神经系统疾病，会引起无缘无故的反复发作。它是由于我们大脑中的异常化学变化而发生的。多年来，已经进行了研究以支持癫痫发作的自动诊断，以便于临床医生。为此，一些研究需要使用机器学习方法来早期预测癫痫发作。主要地，特征提取方法已被用于从由EEG机生成的EEG数据中提取正确的特征，然后各种机器学习分类器被用于分类过程。本研究提供了一个系统的文献综述的特征选择过程以及分类性能。本研究仅限于寻找最常用的特征提取方法和用于准确分类正常癫痫发作的分类器。现有的文献是从著名的知识库，如MPDI，IEEEEXplore，威利，爱思唯尔，ACM，Springerlink等。此外，还创建了一个分类法，概括了该问题的最新解决方案。我们还研究了不同基准和无偏数据集的性质，并对分类器的工作进行了严格的分析。最后，我们总结了本研究的不足、挑战和机遇，希望能进一步帮助研究者预测癫痫发作
2022-10-05 cs.LG eess.SP
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
Automated detection of circadian-dependent epileptic biomarkers for seizure localization using machine learning and signal processing
MZG Engineering 1 Consultancy（MZG工程咨询）；Johannes Kepler University（约翰内斯·开普勒大学）；Swansea University（斯旺西大学）；Florida Atlantic University（佛罗里达大西洋大学）
研究旨在利用机器学习和信号处理技术，通过分析耐药性局灶性癫痫患者长期颅内脑电图记录，探索癫痫生物标志物昼夜节律和睡眠依赖性动态，发现睡眠状态分析能提高发作起始区定位准确性，为术前脑电图分析提供指导。
2026-07-17 eess.SP
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
Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling
Microsoft（微软）；Shanghai Jiao Tong University（上海交通大学）；Central South University（中南大学）
针对新生儿 EEG 癫痫发作检测中起始位置动态、montage 差异和跨受试者分布偏移问题，提出在时间、空间与模型层面精心设计的 STATENet 深度学习框架，并在大规模真实数据集上验证其性能显著更优。
2023-07-02 cs.AI cs.LG eess.SP
A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures
Institute for the Wireless Internet of Things, Northeastern University, Boston, MA, U.S.A.（无线物联网研究所，东北大学，波士顿，马萨诸塞州，美国）；University of Louisville, Louisville, KY, U.S.A.（路易斯维尔大学，路易斯维尔，肯塔基州，美国）
本文提出一种基于非侵入式多模态传感器网络的深度学习框架，用于癫痫发作的渐进预测，通过提高预测精度和实时处理能力，实现95%的灵敏度和98%的特异度。
2024-11-01 cs.AI eess.SP
NET-TEN: a silicon neuromorphic network for low-latency detection of seizures in local field potentials
神经系统疾病的治疗干预仍然严重依赖于药物解决方案，而耐药性患者的治疗仍然是一个公开的挑战。这对于癫痫患者尤其如此，其中30%的患者对药物治疗无效。在这种情况下，用于长期记录和电调制大脑活动的植入式设备已被证明是一种可行的替代方案。为了进行操作，该器械应检测来自局部场电位（LFP）的相关电图生物标志物，并确定正确的刺激时间。为了实现及时的干预，理想的设备应该以低延迟实现生物标志物检测，同时在低功耗下运行以延长电池寿命。神经形态网络作为低延迟、低功耗的计算系统逐渐获得了声誉，这使得它们成为下一代植入式神经接口的处理核心。在这里，我们介绍了一个完全模拟的神经形态器件实现CMOS技术分析LFP信号在体外模型的急性发作。我们表明，该系统可以检测到发作和发作间期事件与ms延迟和高精度，平均消耗3.50 nW的任务期间。我们的工作为新一代大脑植入式设备铺平了道路，用于癫痫治疗的个性化闭环刺激。
2022-10-19 cs.AR cs.HC eess.SP
Epileptic Seizure Forecasting: Probabilistic seizure-risk assessment and data-fusion
癫痫发作预测，结合预防性治疗的提供，有可能大大提高癫痫患者及其护理人员的生活质量。预测癫痫发作可以防止一些潜在的灾难性后果，如受伤和死亡，以及它可能为医院的病人护理提供的一长串潜在的临床益处。癫痫发作预测的挑战在于大脑动力学到发作状态的看似不可预测的转变。确定癫痫发作风险的计算研究的主体仅集中在预测算法上，这涉及平衡准确性和假警报的显著问题。在本文中，我们开发了一个使用贝叶斯卷积神经网络（BCNN）的医疗风险预警系统，为患者提供有意义的信息，并为他/她提供更大的机会，使他/她能够更好地负责自己的健康。我们使用头皮脑电图（EEG）信号，并发布关于我们自动风险评估的确定性的信息。在此过程中，我们为结合辅助信号以改进我们基于EEG的脑电风险评估系统奠定了基础。我们之前的CNN结果显示平均AUC为74.65%，而我们可以在仅EEG的BCNN上实现68.70%的平均AUC。这种性能下降是在本研究的这个阶段为患者提供更丰富信息的代价。
2020-05-15 eess.SP
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
Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders
本文提出基于深度卷积自编码器的自动脑电图癫痫检测方法，通过结合时间和频率损失提升EEG信号重建性能，验证了深度学习在处理EEG数据时对频域信息的捕捉能力。
2025-12-16 eess.SP
Binary Single-dimensional Convolutional Neural Network for Seizure Prediction
Zhejiang University（浙江大学）；Westlake University（西湖大学）
如今，提出了几种深度学习方法来应对癫痫发作预测的挑战。然而，这些方法仍然不能实现为植入式或高效可穿戴设备的一部分，由于其大的硬件和相应的高功耗。它们通常需要复杂的特征提取过程、用于存储高精度参数的大容量存储器和复杂的算术运算，这大大增加了所需的硬件资源。此外，现有的预测性能较差，因为它们直接采用图像识别应用程序的网络架构，未能准确考虑脑电信号的特征。在本文中，我们提出了一种硬件友好的网络，称为二进制一维卷积神经网络（BSDCNN），用于癫痫发作预测。BSDCNN利用1D卷积核来提高预测性能。所有参数都被二进制化，以减少所需的计算和存储，除了第一层。在美国癫痫学会发作预测挑战（AES）数据集和CHB-MIT数据集上，总的曲线下面积、灵敏度和假预测率分别达到0.915、89.26%、0.117/h和0.970、94.69%、0.095/h。所提出的架构优于最近的作品，同时提供7.2和25.5倍的参数和计算的大小减少，分别。
2022-06-08 cs.HC cs.LG eess.SP
Epileptic Seizure Prediction: A Semi-Dilated Convolutional Neural Network Architecture
尽管机器学习和时间序列分类取得了许多进展，但癫痫发作的准确预测仍然难以捉摸。在这项工作中，我们开发了一个卷积网络模块，该模块利用脑电图（EEG）尺度图来区分癫痫发作前和正常大脑活动。由于这些尺度图具有矩形图像形状，其具有比光谱箱多得多的时间箱，因此所呈现的模块使用"半扩张卷积"来创建成比例的非正方形感受野。所提出的半扩张卷积支持在长维度（图像宽度，即时间）上的感受野的指数扩展，同时在短维度（图像高度，即时间）上保持高分辨率。频率）。所提出的架构包括一组合作的半扩张卷积块，每个块具有一堆具有不同扩张率的并行半扩张卷积模块。结果表明，我们提出的解决方案优于最先进的方法，分别为美国癫痫协会和墨尔本大学EEG数据集实现了88.45%和89.52%的癫痫发作预测灵敏度评分。
2020-07-22 eess.IV eess.SP
