用于癫痫预 Forecast 的对抗性时空注意力网络
机器学习
2026-03-04 v1 人工智能
摘要
从多变量EEG信号预测癫痫发作代表了医疗时间序列预测中的关键挑战，需要高灵敏度、低误报率以及subject-specific适应性。我们提出了STAN（Adversarial Spatio-Temporal Attention Network），通过级联注意力块交替包含空间和时间模块来联合建模空间大脑连接性和时间神经动力学。不同于现有方法假设固定的前疑期时长或单独处理空间和时间特征，STAN通过统一的级联架构捕获空间和时间模式之间的双向依赖。采用带有梯度惩罚的对抗训练，实现对间歇性和前疑性状态的稳健区分，学习于明确定义的15分钟前疑窗口。连续的90分钟前发作监测揭示，所学习的时空注意力模式使早期检测成为可能：可靠的警报在subject-specific时刻触发（通常在发作前15-45分钟），反映该模型捕获微妙前疑动力学的能力，而无需个体化训练。实验在两个基准EEG数据集上进行（CHB-MIT scalp: 8个subject, 46个事件；MSSM intracranial: 4个subject, 14个事件），分别实现了最先进的性能：分别为96.6%灵敏度与0.011次/小时的误报率，94.2%灵敏度与0.063次/小时的误报率，同时保持计算效率（230万参数、45毫秒延迟、180MB内存）以实现实时边缘部署。除癫痫外，所提出的框架为在individual heterogeneity和可解释性至关重要的医疗及其他时间序列领域的时空预测提供了通用范式。
引用
@article{arxiv.2511.01275,
title = {Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting},
author = {Zan Li and Kyongmin Yeo and Wesley Gifford and Lara Marcuse and Madeline Fields and Bülent Yener},
journal= {arXiv preprint arXiv:2511.01275},
year = {2026}
}