基于双向长短期记忆网络的癫痫发作识别研究：提升脑电信号时序特征建模与临床诊断精度

《Frontiers in Computational Neuroscience》：Advancing epileptic seizure recognition through bidirectional LSTM networks

本文系统探讨了双向长短期记忆网络（BiLSTM）在癫痫发作识别中的应用创新。研究通过精心设计的深度学习架构（包含Dropout层和批量归一化），在Kaggle癫痫脑电（EEG）数据集上实现了98.70%的验证准确率，显著优于传统机器学习方法。该模型支持端到端特征学习，无需复杂预处理，为实时癫痫监测提供了可靠技术方案，对推动临床神经诊断智能化具有重要价值。

　　

引言

癫痫作为一种影响全球约5000万患者的慢性神经系统疾病，其发作的及时准确识别始终是临床神经学的核心挑战。传统脑电图（EEG）视觉分析不仅耗时且易受主观因素干扰，而基于特征工程的机器学习方法（如支持向量机SVM、决策树）难以捕捉EEG信号的高维动态特性。近年来，长短期记忆网络（LSTM）因其卓越的时序建模能力被引入癫痫检测领域，但单向LSTM对上下文信息的利用仍存在局限。本研究创新性地采用双向LSTM（BiLSTM）架构，通过双向时序信息融合提升癫痫发作的识别精度与鲁棒性。

方法论

数据集来源于Kaggle癫痫发作识别挑战赛的公开EEG数据，包含500名受试者的11,500个样本，每个样本具有178个时序特征点。数据预处理阶段采用标准化（公式：Normalized data = (X-μ)/σ）对振幅进行归一化，并选取类别1（发作期）与类别3（健康期）构建平衡数据集，按8:1:1比例划分为训练集、验证集与测试集。值得注意的是，本研究刻意避免数据增强技术，以验证模型对原始EEG信号的本质学习能力。

模型架构核心为包含128个单元的双向LSTM层，其前后分别连接32个单元的稠密层（ReLU激活）及丢弃率为30%的Dropout层（公式：r=1-p）。每层Dropout后接批量归一化（公式：y=(x-E[x])/√(Var[x]+ε)·γ+β）以加速收敛。输出层采用SoftMax函数（公式：SoftMax(x_i)=e^x_i/∑_je^x_j）进行二分类，损失函数选用稀疏分类交叉熵（公式：L=-∑_i=1^Cy_ilog(?_i)），优化器为Adam（公式：θ_t+1=θ_t-η/(√v?_t+ε)·m?_t）。训练采用动态学习率调度（公式：η_t=η₀/(1+δt)），批量大小为32，最高迭代100轮，并通过验证集早停策略防止过拟合。

实验结果

模型在验证集达到99.57%准确率，训练集准确率稳步升至99.76%。混淆矩阵显示仅1例误分类（验证集：223真阳性/0假阳性/1假阴性/236真阴性），回归指标均方误差（MSE）低至0.0022。精确度、召回率与F1分数均达1.00，马修斯相关系数（MCC）为0.9957，科恩卡帕系数0.9956，表明模型几乎完美匹配真实标签。相较传统SVM（准确率93.20%）、CNN（96.50%）及单向LSTM（97.10%），BiLSTM在捕获双向时序依赖性的优势显著。消融实验进一步验证30%丢弃率与双向结构对性能的关键贡献。

讨论与展望

BiLSTM模型通过双向信息流有效学习EEG信号的长期非线性模式，摆脱了对人工特征工程的依赖。其端到端架构适用于实时监测场景，但需注意双向处理对计算资源的较高需求。未来研究可结合注意力机制增强特征可解释性，或探索CNN-BiLSTM混合架构以融合空间-时序特征。此外，跨患者泛化能力验证与多模态数据（如fMRI）整合将是临床落地的重要方向。

结论

本研究证实了BiLSTM在癫痫发作识别中的卓越效能，为精准医疗提供了可靠的技术支撑。模型的高精度与鲁棒性预示着其在动态神经监测领域的广泛应用潜力，有望推动癫痫诊疗向智能化、实时化方向演进。