癫痫发作视频分析的深度学习方法：综述

癫痫发作事件可表现为运动控制的短暂中断，这些中断可能组织为不同的行为序列，伴有或不伴有其他可观察特征（如面部表情改变）。当专家在临床环境中评估录像事件时，对这些临床体征（即症状学）的分析存在观察者间的差异。为提高评估的准确性与一致性，计算机辅助的癫痫发作视频分析成为一条自然途径。在医学应用领域，深度学习与计算机视觉方法推动了实质性进展。历史上，这些方法已被用于基于诊断数据的疾病检测、分类与预测；然而，对其在临床癫痫学环境中评估基于视频的运动检测的应用探索仍然有限。虽然基于视觉的技术并非旨在取代临床专业知识，但它们可以通过提供定量证据与决策支持，为医疗决策与患者护理做出重大贡献。行为监测工具具有诸多优势，如提供客观信息、检测难以观察的事件、减少文档记录工作以及将评估能力扩展至专业知识匮乏的地区。这些工具的主要应用可以是：(1) 改进的癫痫发作检测方法；(2) 用于预测发作类型与脑区定位的精细化症状学分析。本文详细阐述了基于视觉的系统在癫痫发作视频分析中使用的基础技术，重点介绍了过去 7 年发表的工作在症状学检测与分析中的成功。此外，我们展示了如何通过一个用于基于视频的症状学分析的集成系统将现有技术相互连接。