癫痫是一种常见的神经系统疾病,其特征表现为突发性脑电异常活动。癫痫发作可能导致精神障碍、运动障碍甚至死亡,因此癫痫的早期发现和治疗至关重要。脑电图(MRTX1133体外Electroencephalogram,EEG)反映了大脑神经元活动的电信号,在癫痫诊断和治疗中具有重要意义。近年来,随着机器学习和深度学习技术的发展,越来越多的研究工作开始使用这些技术进行癫痫脑电自动检测。神经医学研究表明,各个脑区之间相互影响。现有的癫痫脑电自动检测算法仅研究癫痫脑电数据各个通道的特征,而较少地关注通道之间的相互关系。导致对癫痫脑电多通道时空信息提取不充分,分析维度窄,影响最终癫痫检测的效果。因此,充分探索不同EEG通道之间的时间和空间关系是本论文的第一项重点研究内容。现BLZ945半抑制浓度有大多数工作主要集中于单病人场景,在跨病人癫痫检测方面表现不佳,而跨病人癫痫发作检测更具挑战性和意义。同时,在临床医学的相关研究和实践中,正常脑电信号时长要远远长于癫痫发作期的脑电信号时长,导致样本不平衡问题。样本不平衡会导致癫痫分类结果偏向正常EEG,从而降低癫痫检测的效果。现有研究大多使用平衡样本训练分类器,其临床适用性有待提高。此外,大多数模型的计算复杂度高,训练时间较长,检测效率较低。因此,提高跨病人癫痫自动检测算法的性能,降低计算复杂,解决样本不平衡问题是本论文的第二项重点研究内容。综上,本文的具体研究内容如下:(1)提出基于图注意力网络(Graph Attention Networks,GAT)与双向长短时记忆网络(Bi-directional Long Short-term Memory,Bi-LSTM)相结合的癫痫发Healthcare acquired infection作自动检测方法。该方法充分挖掘了癫痫脑电信号通道间的时空相关性。具体而言,GAT被用作提取空间特征的前端,充分利用了不同EEG通道的拓扑结构。该拓扑结构为图结构,其中结点代表不同的脑电通道,边代表通道间的空间关系。同时,Bi-LSTM网络作为后端来挖掘时间关系,并根据当前时刻前后的状态做出最终决策。实验在CHB-MIT和TUH数据集上进行,并进行十折交叉验证。大量实验结果表明,所提出的模型可以有效地从原始EEG信号中检测癫痫发作,而无需额外的特征提取。两个数据集的癫痫发作检测准确率分别为98.52%和98.02%,模型的性能优于或可与目前先进模型水平相媲美。(2)为了提高跨病人的癫痫检测性能,同时减少模型参数降低计算复杂度,解决样本不平衡问题,本文在第一项工作的基础上,提出基于混合注意力网络(Hybrid Attention Network,HAN)癫痫发作自动检测方法。图注意力网络在前端提取空间特征,Transformer作为后端获取时间特征。HAN利用注意力机制,充分提取EEG信号的时空相关性。同时,将焦点损失函数引入HAN,以处理基于EEG的癫痫检测数据集不平衡问题。单病人实验和跨病人实验均在CHB-MIT数据集上进行,实验结果证明了HAN在两种实验环境中的有效性,对23名受试者的平均检测灵敏度和平均检测AUC分别达到了97.93%与98.56%。综上,本论文提出了基于GAT与Bi-LSTM的癫痫发作自动检测方法和基于HAN的癫痫发作自动检测方法。基于提出的癫痫自动检测方案,在公开的10-20国际脑电数据集CHB-MIT和TUH上进行了单病人实验与跨病人实验,验证了时空特征学习在癫痫发作自动检测领域的可行性,对癫痫自动检测算法的研究与临床应用具有重要的参考价值。