基于脑电图数据的癫痫发作检测与预测：一种经临床验证的机器学习方法

近年来，机器学习已成为支持癫痫护理中发作检测与监测的日益强大的工具。传统方法侧重于在发作开始后才进行识别，这限制了早期干预和主动治疗的机会。在本研究中，我们提出了一种新颖方法，该方法整合了实时发作检测与预测，旨在捕捉脑电图数据中可能预示即将发作的细微时间模式。我们的方法使用CHB-MIT头皮脑电图数据库进行评估，该数据库包含来自23名耐药性癫痫儿童和青年患者的969小时记录和173次发作。为支持发作检测，我们实施了一系列监督式机器学习算法，包括K近邻、逻辑回归、随机森林和支持向量机。逻辑回归实现了90.9%的检测准确率和89.6%的召回率，展现出适合临床筛查的均衡性能。随机森林和支持向量机模型实现了更高的准确率（94.0%），但召回率为0%，未能检测到任何发作，这表明仅凭准确率不足以评估存在类别不平衡的医学机器学习模型。对于发作预测，我们采用了长短期记忆网络，该网络利用深度学习对脑电图数据中的时间依赖性进行建模。长短期记忆模型实现了89.26%的预测准确率。这些结果凸显了开发可访问的实时监测工具的潜力，这些工具不仅能像传统方法那样检测发作，还能在发作发生前进行预测。这种预测发作的能力标志着从反应性发作管理向更主动方法的重大转变，使患者能够预判发作并采取预防措施，以降低受伤或其他并发症的风险。