通过从脑电图数据直接提取个性化的癫痫网络动力学预测模型，将基于主导的相干振荡及其动力耦合的模型与精确的个体特征相结合，我们展示了周期性脑刺激对癫痫网络动力学的治疗效果进行模型驱动的预测分析，从而推断出周期性脑刺激可以使癫痫网络动力学的病理状态转向正常的功能性脑状态。

Oct, 2023

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

能够在低功耗边缘设备上进行准确癫痫检测的能量高效的脑神经植入装置使用了 TC-ResNet 和时间序列分析方法，并且无需先进行特征提取，同时考虑到神经植入装置的严格硬件要求。通过使用 CHB-MIT Scalp EEG Database 进行验证，32 位浮点模型以及适合硬件的 4 位定点模型在该数据集上取得了 95.28% 的准确率、92.34% 的敏感度和 0.9384 的 AUC 得分。此外，该模型的功耗使用低功耗人工智能加速器 UltraTrail 进行了测量，平均仅需要 495nW。由于低功耗消耗，该分类方法适用于低功耗可穿戴设备（如脑神经植入装置）的实时癫痫检测。

Jun, 2024

这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统，通过提出的增强方案可以有效地检测癫痫，具有 99.1％±0.9％的准确性。

Jan, 2018

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

提出了一种新颖、轻量级、不显眼且得到社会接受的 EarSD 系统，通过测量用户耳后的生理信号来检测癫痫发作的起始，初步结果表明该系统可使用经典机器学习算法以高达 95.3% 的准确度检测癫痫发作。

Jan, 2024

该论文提出了一个基于 k-Nearest-Neighbors 机器学习的实时、可定制、适应性强、低成本非侵入式癫痫监测系统，通过验证和验证使用 500 个受试者，样本采样率为 178 赫兹，操作平均准确率达到 94.5％，可用于监测和评估癫痫治疗。

May, 2023

本文介绍了一种利用深度学习方法和植入式传感器网络进行预测癫痫发作的闭环系统 SeizNet。研究结果表明，SeizNet 在所有指标上超越传统的单模态和非个性化预测系统，达到了高达 99% 的准确率，为难治性癫痫治疗开辟了有希望的新途径。

Jan, 2024

建立了一个基于摄像头的系统，可以自动检测慢性癫痫小鼠中的惊厥性癫痫发作，用以筛选潜在的抗癫痫药物。

May, 2024

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