基于迁移学习的癫痫脑电时空预测模型研究
郑凯哲1
唐诗诗1
刘一聪2
练伟1
胡珊1
许晓伟3
周毅1
1.中山大学 中山医学院,广州 5100802.中山大学附属第一医院,广州 5100803.中山大学附属第七医院,深圳 518000
摘要：针对现有癫痫脑电(EEG)预测模型跨被试时泛化性与鲁棒性不足的问题,本研究结合信号分析及深度学习技术,提出了一种基于迁移学习的多尺度癫痫EEG时空预测模型(TLEP-MST).首先,将原始数据通过独立成分分析(ICA)去除伪迹,并采用时间提取模块和小波卷积层提取EEG信号中的时频信息;其次,通过自适应注意力机制对时频信息进行多通道权重分配,获得EEG信号空间特征;最后,融合迁移学习方法,减少源域与目标域的数据分布差异,提高模型泛化性能.该模型在公用数据集CHB-MIT上进行了实验,在交叉验证中,模型准确率、特异性和误报率分别为91.88%、96.49%和0.0369/h;在患者特异性实验中,引入迁移学习后,模型的特异性从 67.04%提升到 85.06%,误报率从 0.4194/h降低到 0.3485/h.本研究在预测跨被试癫痫EEG方面具有重要价值.
关键词：癫痫预测深度学习时频分析迁移学习脑电信号
分类号：R318(医用一般科学)
资助基金：国家重点研发计划(2022YFC3601600)广东省自然科学基金(2024A1515011989)
论文发表日期：2026-02-28
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1-6 )
英文信息