这篇论文探讨了如何运用人工智能和机器学习技术，通过对脑电图信号进行分析，提前预测癫痫发作的可能性，从而为临床实践提供支持。

Feb, 2020

该研究探讨了将机器学习应用于多类癫痫类型分类的应用。使用了最近发布的 TUH EEG 癫痫语料库并对各种预处理技术、机器学习算法和相应超参数的组合进行了彻底的搜索空间探索，展示了让我们的算法可以在脑电图基础上实现多类癫痫类型分类的加权 F1 评分高达 0.901。

Feb, 2019

本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

Jul, 2020

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

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

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

本研究采用七种不同的算法通过临床和人口统计学数据开发和测试机器学习模型，精确预测癫痫手术的预后，研究表明，基于机器学习的手术前的患者临床特征预测模型，能够精确地预测难治性病人的癫痫手术结果。通过挑选特征子集数据挖掘的监督分类机器学习策略可达到更好的预测效果，同时机器学习预测模型的发展为个性化医疗提供了必要的基础。

Feb, 2023

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

应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

Aug, 2023