设计了一种可解释的深度学习模型来预测 ICU 脑电监测中常见的 6 种脑波模式（癫痫，LPD，GPD，LRDA，GRDA，其他），并提供专业的用户界面，从而在全局 - 结构保持方法的帮助下，可视化 ICTIL-INTERICTAL-INJURY 连续性脑波模式的 2D 嵌入式空间以及通过基于案例推理的方式提供解释。

Nov, 2022

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

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

本文介绍了两种基于 Transformer 架构的深度学习模型（TMC-T 和 TMC-ViT）用于癫痫发作预测，探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响，并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证，证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。

Sep, 2022

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

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

提出了一种名为 EEG-ITNet 的端对端深度学习架构，用于分类运动和精神任务，与其他现有的端对端架构相比，在 BCI 竞赛 IV 中微调丰富的光谱，空间和时间信息，取得了高达 5.9％的分类准确度的提高。

Apr, 2022

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

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