脑内癫痫发作是大脑异常神经放电，影响全球约 7 千万人口。本文介绍了开源神经影像工具如 MATLAB、Slicer 3D、Brain Suite21a、SPM 和 MedCalc 的范围和应用。其中 60% 的研究人员使用 MATLAB 进行图像处理，10% 使用自有软件，30% 以上利用其他开源软件工具进行磁共振癫痫图像的研究处理技术。

Aug, 2023

本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

Mar, 2019

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

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

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

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

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

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