本文提出了一种将多通道信号转换为灰度图像并利用迁移学习进行高性能癫痫检测的端到端系统，其具有简单的前后处理操作，计算轻便，低延迟，可用于实时临床应用，性能达到了 42.05% 的灵敏度，每 24 小时 5.78 个假警报，运行速度快于实时（0.58xRT），内存使用 16 Gbytes，延迟仅为 300 毫秒。

Feb, 2022

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

本文提出了一种深度学习框架 STATENet，针对新生儿脑电图的动态癫痫发作位置、不同构架和巨大的分布变化等挑战，进行革新性的设计，针对大数据集进行实验，并在新生儿癫痫检测性能方面取得了显著的成果。

Jul, 2023

本文介绍了一种新的知识蒸馏方法，用于从全套电极教师模型中提取知识并将其迁移给轻量级的学生模型，实现低成本的癫痫监测，该方法使用图神经网络进行个性化，即使只使用少数通道也能获取具有竞争力的癫痫检测性能。

Apr, 2023

通过引入一种名为 SETR-PKD 的新框架，我们在视频基础的癫痫发作分类方面做出了贡献，该框架能够在视频中实现隐私保护的早期发作检测。具体而言，我们的框架由两个重要组成部分构成：(1) 它基于从癫痫视频中提取的光流特征，编码了发作运动的符号学，同时保护了患者的隐私；(2) 它利用了基于 transformer 的渐进式知识蒸馏，逐渐从训练长视频样本的网络中提炼知识，直到操作短视频样本的网络。因此，我们提出的框架解决了当前方法的局限性，这些方法直接在 RGB 视频上操作癫痫发作并阻碍了实时检测，需要利用完整的视频样本进行预测。我们的 SETR-PKD 框架能够在癫痫发作只进行了一半进程时以 83.9% 的准确度实现隐私保护的强直 - 阵挛发作检测。我们的数据和代码可在此 https 链接找到。

Sep, 2023

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

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

基于深度学习的视频分析在癫痫学领域的症状检测和分析方面取得了成功，而将现有技术整合为视频症状分析的综合系统是未来研究的方向。

Dec, 2023

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