该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法，由于不同年龄、健康状况和临床环境的患者数据的复杂性，使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度，取得了显著的进展。

Mar, 2019

本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

Jul, 2020

本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

Dec, 2017

本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力，通过同时捕获频谱、时间和空间信息，我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果，具有较高的灵敏度和低的假阳性率。此外，我们的模型对于缺失通道和不同的电极配置也表现出稳健性。

Jul, 2016

通过监督和非监督深度学习方法，我们研究了以正常脑电图作为预测癫痫发作前兆的问题，并在两个大型脑电图癫痫数据集上对其进行了研究和评估。我们发现监督和非监督方法均可行，但其效果因患者、方法和架构而异。这一新的研究线有潜力开发出治疗干预方式来拯救人类生命。

Apr, 2023

该研究提出了一种名为 BrainNet 的新型模型，通过联合学习动态扩散图和建模脑电波扩散模式的方式，有效地帮助抵抗 SEEG 数据中的标签失衡和严重噪声问题， 并超过了时间序列分析的最新一流基线模型，以探测实际的 SEEG 数据集中的癫痫波。

Jun, 2023

通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

Jan, 2019

这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状，通过实验选取了数个有显著预测能力的特征以提高检测效果。

Aug, 2019

使用深度学习架构处理婴儿的脑电信号，并通过卷积层仅处理原始信号以检测癫痫发作，相较于传统的基于手工特征表达的机器学习方法，表现更优，同时可以更有效地利用可用的训练数据。

May, 2021

该研究提出了一种新的、综合的框架，通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现，来预测儿科患者的癫痫发作。结果显示，深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功，循环神经网络（RNN）在精确度和 F1 分数上表现最好，长短期记忆（LSTM）在准确度上超过了 RNN，卷积神经网络（CNN）在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义，有可能改变临床实践，并改善儿科护理。

Sep, 2023