EpiDeNet 是一种轻量级的癫痫检测网络，通过引入敏感性和特异性的交叉熵（SSWCE）损失函数，成功检测了两个不同数据集（CHB-MIT 和 PEDESITE）上的 91.16％和 92.00％的癫痫事件，仅使用四个脑电图通道。

Aug, 2023

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

提出一种多对一的信号知识蒸馏方法，用于开发 IoT 可穿戴系统中能够处理单一生物信号并达到与原多生物信号深度神经网络相媲美的精度的解决方案，并在几个最新的边缘计算平台上进行综合模拟实验分析以评估该方法在现实生活场景中的可行性，应用于癫痫性发作检测。

Jul, 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

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

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

本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

Aug, 2017

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

本文介绍了一种利用深度学习方法和植入式传感器网络进行预测癫痫发作的闭环系统 SeizNet。研究结果表明，SeizNet 在所有指标上超越传统的单模态和非个性化预测系统，达到了高达 99% 的准确率，为难治性癫痫治疗开辟了有希望的新途径。

Jan, 2024