基于多尺度混合神经网络与时频特征的癫痫发作预测研究

为解决癫痫发作预测中多维度脑电图(EEG)信号动态非线性特征提取难题，研究人员提出新型EPM-HNN架构，融合自适应通道加权(SENet)、多尺度空间特征提取(Res2Net-50)和双向时序建模，在CHB-MIT头皮EEG数据集实现97.7%预测准确率，为个体化癫痫预警提供高鲁棒性解决方案。

　　

癫痫发作预测的核心挑战在于如何从具有个体差异性和动态非线性特性的脑电图(EEG)信号中提取高区分度的时空特征。这项研究创新性地构建了EPM-HNN多尺度混合神经网络架构，通过三大技术突破攻克难题：首先引入具有时空分辨率的滑动窗口机制，显著提升模型对跨频段神经动力学特征的敏感性；其次采用Res2Net-50多尺度特征提取器，专门优化对多棘慢波复合体(polyspike-and-slow-wave complexes)等复杂局部微观特征的处理能力；更开创性地整合SENet自适应注意力模块，实现EEG通道间潜在有效特征的动态权重分配。

研究团队特别设计了跨受试者训练测试策略，有效克服数据分布差异导致的过拟合问题。在经典CHB-MIT头皮EEG数据集上的实验表明，该架构不仅能精准捕捉癫痫发作前的微观放电模式，其97.7%的预测准确率更验证了模型在个体化应用中的强大泛化能力。这项技术为临床癫痫预警系统提供了可解释性强、鲁棒性高的智能分析新范式。