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

本文介绍了两种基于 Transformer 架构的深度学习模型（TMC-T 和 TMC-ViT）用于癫痫发作预测，探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响，并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证，证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。

Sep, 2022

本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

Aug, 2022

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

本研究提出了一种基于 GNN 的自监督预训练模型，能够捕捉电极几何或动态脑连接的脑电图图形结构，提高罕见癫痫类型的检测和分类精度。此外，提出了一种定量的模型可解释性方法来评估模型在 EEGs 内定位癫痫的能力。实验证明，GNN 的自监督预训练方法在癫痫检测和分类上都优于以往的方法，能够精确定位约 25.4% 的局部癫痫，可以为临床医生提供直观的癫痫局部化信息。

Apr, 2021

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

提出了一种基于神经网络的关于癫痫发作的检测模型，使用对抗性训练从原始无创脑电信号中学习纯的癫痫特定表现形式，并且使用注意力机制自动学习诊断过程中每个脑电通道的重要性，从而提高了诊断过程的可解释性。在 Temple 大学医院 EEG（TUH EEG）数据库上验证实验表明，与最先进的基线相比，我们的模型具有更好的性能，同时具有较低的延迟。此外，该设计的注意力机制能够提供细粒度的信息进行病理分析，提出了一种基于原始 EEG 信号的效率高、没有手动特征工程的癫痫发作病人独立的检测方法，是实现大规模部署用于现实生活中使用的一大步。

Sep, 2019

利用半监督的方法，使用一种名为 SincVAE 的新型深度学习方法，该方法通过训练特定的带通滤波器阵列作为变分自编码器的第一层，从而改进了脑电图数据中的癫痫发作检测，并能够在前癫痫期早期发现癫痫发作，并在后癫痫期对患者进行监测。

Jun, 2024

该研究探讨了将机器学习应用于多类癫痫类型分类的应用。使用了最近发布的 TUH EEG 癫痫语料库并对各种预处理技术、机器学习算法和相应超参数的组合进行了彻底的搜索空间探索，展示了让我们的算法可以在脑电图基础上实现多类癫痫类型分类的加权 F1 评分高达 0.901。

Feb, 2019

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