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

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

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

开发出基于生理学的语音识别体系结构，通过深度学习框架进行端到端的梯度下降训练，揭示了中央尖峰神经网络中神经振荡的出现，通过测量交互网络层内部和层间的显著交叉频率耦合来处理语音，发现反馈机制的抑制作用对调节和同步神经活动以提高识别性能至关重要，进一步推动了对视听途径同步现象的理解，且架构具有动态和高效的信息处理能力，对神经形态技术具有重要意义。

Apr, 2024

使用最大重叠离散小波变换分析脑电图信号，结合简单统计参数和图论指标进行癫痫检测，达到较其他方法更优的召回率和灵敏度表现。

Nov, 2023

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

这篇论文介绍了 NeuroGNN，一个动态图神经网络框架，通过捕捉脑电极位置和对应脑区语义之间的动态相互作用，来优化癫痫的检测和分类，并在实际数据上的广泛实验证明其明显优于现有的先进模型。

May, 2024

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

该论文研究使用 Hamiltonian Monte Carlo 算法进行概率推断在大脑皮层中的动态行为，并阐明了皮层计算的效率在于神经振荡的加速在推断方向上的重要性。

Jul, 2014

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