机构名称：
¥ 1.0
癫痫是一种神经系统疾病，以意外复发性发作为特征，影响着全球 1% 的人口 [1] [2]。由于癫痫发作的不确定性，它对患者的日常生活有很大影响，如果患者在危险情况下（例如开车、上下楼梯）癫痫发作，甚至会威胁患者的生命。因此，准确的癫痫发作预测对于帮助患者避免可能的伤害至关重要。脑电图是研究癫痫发作最常用的数据，根据所代表的人类大脑活动的不同状态，癫痫发作可分为四种类型，即发作前（癫痫发作前）、发作期（癫痫发作）、发作后（癫痫发作后）和发作间期（正常阶段）[3] [4] [5] [6]。通过使用机器学习或深度学习算法分析脑电图信号，可以区分发作前和发作间期，从而实现癫痫发作预测 [7] [8] [9]。机器学习算法依赖于手工制作的特征，原始EEG信号需要通过多种滤波技术进行预处理以消除噪声和伪影。带通滤波器、自适应滤波器、卡尔曼滤波器、维纳滤波器和贝叶斯滤波器是最常用的滤波技术[10][11]。例如，单变量谱功率[12]、脉冲率[13]、功率谱[14]、排列熵[15]和双谱熵[16]是以前基于机器学习的工作中使用过的特征。这些特征进一步输入到分类器（例如支持向量机（SVM）、多层感知器（MLP）、决策树）以获得预测结果。虽然机器学习方法是可行的，但手动处理EEG信号和复杂的特征工程使得
一种用于癫痫发作预测的新型多尺度扩张 3D CNN
主要关键词
相关文件推荐
