Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction

精准的癫痫发作预测对于改善药物难治性癫痫患者的安全和生活质量至关重要。尽管基于深度学习的方法已经展示了使用头皮脑电图（EEG）信号进行癫痫预测的良好表现，但仍存在重大限制阻碍其临床应用。此外，识别用于标记EEG段的最佳癫痫前期（OPP）仍然是一个挑战。在这里，我们不仅开发了一个竞争性的深度学习模型来进行癫痫预测，更重要的是利用它来展示一种方法来全面评估癫痫预测任务的预测性能。为此，我们引入了一个CNN-Transformer深度学习模型来检测癫痫前期的时空动态，并提出了一种新的连续输入输出性能比（CIOPR）指标来确定OPP。我们以19名儿科患者的开放式CHB-MIT数据集为对象进行了个体化的训练和评估。使用每个患者的OPP，预前期和间歇期段被正确识别，平均灵敏度为99.31％，特异度为95.34％，AUC为99.35％，F1得分为97.46％，预测时间平均为发作前76.8分钟。值得注意的是，我们的新型CIOPR指标以全面和定量的方式描绘了不同癫痫前期定义对预测时间、准确性、输出稳定性以及间歇期和癫痫前期状态之间的转换时间的影响，并强调了考虑患者内外变异性对癫痫预测的重要性。

本论文的问题是如何精准预测癫痫发作，以提高药物难治性癫痫患者的安全性和生活质量。同时，如何确定最佳的癫痫发作前期（OPP）来标记脑电图（EEG）信号的分段也是一个挑战。

该论文提出了一种基于CNN-Transformer深度学习模型的方法来检测脑电图的癫痫发作前期时空动态，并引入了一种新的连续输入输出性能比（CIOPR）度量来确定OPP。该方法在19名儿童患者的数据集上进行了训练和评估，取得了很好的预测性能。

该论文的亮点包括使用了CNN-Transformer深度学习模型来检测脑电图的癫痫发作前期时空动态，引入了一种新的CIOPR度量来确定OPP，实验结果表明该方法可以在高灵敏度和高特异度的同时实现较短的预测时间。此外，该论文还强调了考虑患者间和患者内变异性对于癫痫预测的重要性。

最近在这个领域中，还有一些相关的研究，如“Deep Learning for Epileptic Seizure Detection: A Comparative Review”，“A Survey of Deep Learning Methods for Epilepsy Diagnosis and Seizure Detection”，“Long-term Epileptic Seizure Prediction Based on Multichannel EEG and Random Forest”，等等。