基于患者自适应 Transformer 网络的癫痫发作预测
机器学习
2026-03-31 v1 人工智能
摘要
从脑电图（EEG）记录中预测癫痫发作仍然具有挑战性，原因在于患者间差异显著以及神经信号的复杂时间结构。本文提出了一种患者自适应 Transformer 框架，用于短时程癫痫发作预测。所提出的方法采用两阶段训练策略：首先利用自监督预训练通过自回归序列建模学习通用 EEG 时间表示，然后进行患者特定的微调，以在 30 秒时间范围内对癫痫发作 onset 进行二元预测。为了实现基于 Transformer 的序列学习，多通道 EEG 信号经过噪声感知预处理并离散化为标记化时间序列。在 TUH EEG 数据集上的实验表明，所提出的方法在评估患者中实现了高于 90% 的验证准确率和超过 0.80 的 F1 分数，证明了将自监督表示学习与患者特定适应相结合用于个体化癫痫发作预测的有效性。
引用
@article{arxiv.2603.26821,
title = {Epileptic Seizure Prediction Using Patient-Adaptive Transformer Networks},
author = {Mohamed Mahdi and Asma Baghdadi},
journal= {arXiv preprint arXiv:2603.26821},
year = {2026}
}