编辑推荐：
研究人员针对癫痫脑电图检测难题，开展基于双注意力机制的研究，STFFDA 模型精度高，意义重大。
癫痫，这一古老而神秘的疾病，如同隐匿在大脑深处的 “定时炸弹”，时刻威胁着患者的健康。癫痫是由于大脑神经元异常放电反应引发的慢性神经系统疾病，全球约有 6500 万人深受其扰，每年新增病例约 200 万。发作时，患者会因短暂的大脑功能障碍而暂时失去意识，伴随局部或全身性抽搐，甚至昏厥。目前，药物治疗虽为主要手段，但仍有 30% 左右的患者效果不佳。频繁发作不仅会对患者大脑造成不可逆损伤，影响身心健康，还会给家庭带来沉重负担。
在癫痫的诊断中，脑电图（EEG）是极为重要的工具，它能捕捉大脑神经元的电压波动，为诊断提供关键信息。然而，传统依靠神经科医生肉眼分析 EEG 波形的诊断方式存在诸多弊端。一方面，这种方式高度依赖医生的经验和专业知识，容易产生主观性偏差；另一方面，EEG 信号采集频繁，数据量庞大，长时间的视觉观察不仅耗时费力，还可能影响诊断准确性，导致误诊或漏诊。而且，EEG 采集过程易受周围电气环境噪声干扰，进一步增加了诊断难度。因此，开发一种能自动从 EEG 信号中检测癫痫发作的可靠模型，对癫痫研究和临床应用意义非凡。
为攻克这一难题，西京大学电子信息学院及西安高精度工业智能视觉测量技术重点实验室、郑州大学数学与统计学院、重庆邮电大学计算机科学与技术学院、西安交通大学附属儿童医院神经外科、重庆第二师范学院人工智能学院的研究人员携手开展研究，相关成果发表在《Scientific Reports》上。
研究人员提出了一种基于双注意力机制的时空特征融合癫痫 EEG 识别模型（STFFDA）。该模型主要运用了以下几种关键技术方法：一是利用卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM），CNN 负责提取 EEG 信号的空间特征，捕捉通道间的相关性，Bi-LSTM 则专注于提取时间特征，把握大脑活动的动态变化；二是引入一维挤压激励网络（1D SE）和点积注意力机制，1D SE 模块通过通道加权突出重要特征，点积注意力机制则在特征融合后进一步强调重要的时空特征，提升关键特征的权重 。研究使用了 CHB-MIT 数据库和波恩大学数据库中的 EEG 信号数据进行实验，通过单验证测试和 10 折交叉验证来评估模型性能。
研究结果如下：
- 单测试结果：在 CHB-MIT 数据集的三类分类任务中，STFFDA 模型表现卓越，准确率达到 95.18%，精度为 95.16%，召回率为 95.16%，F1 分数为 95.16%，马修斯相关系数（MCC）为 92.77%。在波恩大学数据集的五类分类任务中，该模型同样表现最佳，准确率为 77.65%，精度为 77.52%，召回率为 77.67%，F1 分数为 77.47%，MCC 为 72.13%。与其他深度学习和传统机器学习算法相比，STFFDA 模型优势明显。
- 十折交叉验证结果：在 CHB-MIT 数据集上，STFFDA 模型的准确率为 92.42%，精度为 92.47%，召回率为 92.42%，F1 分数为 92.42%，MCC 为 88.66%；在波恩大学数据集上，准确率为 67.24%，精度为 67.24%，召回率为 67.11%，F1 分数为 67.13%，MCC 为 58.95%。综合来看，STFFDA 模型在癫痫发作识别分类任务中表现出色。
- 消融实验结果：通过对波恩大学数据集和 CHB-MIT 数据集进行消融实验发现，单独使用空间特征模块或时间特征模块时，模型性能下降，而完整的 STFFDA 模型性能最佳，这进一步验证了时空特征融合和双注意力机制的有效性。
研究结论表明，STFFDA 模型在检测癫痫发作方面优势显著。一方面，时空特征融合使模型能更全面地描述 EEG 信号中的癫痫发作模式，有效减少噪声干扰，提高对真实癫痫发作的敏感性；另一方面，双注意力机制的引入进一步提升了模型性能，帮助模型更好地提取 EEG 信号特征。该模型在不同数据集上都展现出良好的性能，为从 EEG 信号中识别癫痫发作提供了极具前景的解决方案。不过，研究也存在一定局限性，如数据集样本量有待扩大，癫痫发作类型相对单一。未来研究可朝着使用更大样本量数据集、检测多种类型癫痫发作的方向展开，进一步优化时空特征提取方法或设计更精细的分类器，以推动癫痫诊断技术的发展，为广大癫痫患者带来更多希望。
