基于深度学习的癫痫异常信号检测和分类模型

来源：电子测量技术杂志2025年第17期北京时间：

作者：王剑，成婷，宋政阳，张一丁

单位：1.昆明理工大学信息工程与自动化学院 昆明 650504;2.昆明理工大学云南省人工智能重点实验室 昆明 650504

摘要：癫痫是一种常见的神经系统疾病，其诊断主要依赖于脑电信号的分析。近年来，基于深度学习的方法在癫痫检测中得到了广泛应用，但这些方法通常依赖于单一的特征提取技术，且大多忽略了EEG信号的空间域特征。为了捕捉EEG信号的空域特征，研究人员尝试引入EEG的图表示，并结合图神经网络模型进行建模。然而，现有方法的图表示通常需要每个顶点遍历所有其他顶点来构建图结构，导致较高的时间复杂度，难以满足临床实时诊断的需求。针对上述挑战，首先提出了核心邻域图结构，在此基础上，进一步提出了基于双视图输入的癫痫自动检测和分类框架——DV-SeizureNet。该框架能够同时学习EEG信号的时域、频域和空域特征，实现癫痫异常检测和发作分类。在TUSZ数据集上的实验表明，DV-SeizureNet在癫痫检测任务中达到91.4%的准确率，优于现有最先进方法2.1%。在分类任务中，模型对4种癫痫发作类型的平均分类准确率为82.8%，F1-score为81.2%。DV-SeizureNet通过双视图学习框架，全面提取并融合EEG信号的时空频域特征，在癫痫异常检测和发作分类任务中表现优越，为临床诊断提供了可靠的辅助工具。

关键词：癫痫检测;深度学习;EEG信号;双视图学习;图卷积神经网络;多尺度特征融合

基金资助：云南省科技厅科技计划项目 (202102AA100021)资助