基于可解释深度学习模型的新生儿癫痫自动检测方法，具有实时可解释性，对于 Zenodo 数据集的性能评估中，该模型在曲线下面积（AUC）和召回率方面分别实现了 8.31% 和 42.86% 的绝对改进。

Jun, 2024

新生儿癫痫发作的检测模型使用大规模数据和模型规模，达到了国际领先水平，并具有与专家水平的等效性。

May, 2024

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

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

本研究提出了一种基于 Transformer 模型和无监督学习的方法，在没有专家标注和带有癫痫发作的 EEG 记录的情况下对癫痫发作进行检测和识别，实验结果表明该方法在识别癫痫发作方面的性能优于传统监督学习方法。

Jan, 2023

研究在生物医学领域中，针对包含顺序数据的机器学习算法的评估缺乏标准化。本论文对现有的缺陷进行了讨论，并提出了几种新的性能度量标准，其中两种有前途的度量标准是实际术语加权值（ATWV）和时间对齐事件评分（TAES）。作者还展示了深度学习的最新技术在性能方面表现出色，但仍需要进一步改进才能满足用户的严格接受标准。

Dec, 2017

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

机器学习算法应用于癫痫检测已显示出很大的诊断潜力，但少数已发表的算法尚未完全解决成功临床转化的要求。

Apr, 2024