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

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

本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析，实现了良好的癫痫检测效果，并且在三个不同的分类器中最佳组合是 LDA 和 NB，能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。

Feb, 2023

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

基于 k 最近邻分类和 t 位置尺度统计表示，我们在真实数据集上提出了一种用于检测尖波的癫痫脑电信号的模式分类方法，并在分类准确率、敏感性和特异性方面对性能进行评估。

May, 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

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

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

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

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