基于时空可分离三维卷积的癫痫发作超轻量化检测模型研究

针对癫痫患者非住院环境下的实时预警需求，研究人员提出一种超轻量化3D-CNN模型，通过时空可分离卷积(TSS3D)和深度可分离卷积等技术，将参数量压缩至6.54k，结合延迟警报与指数移动平均(EMA)后处理策略，在CHB-MIT头皮EEG数据库上实现99.24%的检测率与0.53次/小时的误报率，为可穿戴设备提供高效解决方案。

　　

癫痫作为一种由脑神经元异常放电引发的慢性疾病，全球患者数达6500万，其中30%为难治性癫痫患者。传统医院依赖医生经验的脑电图(EEG)监测方式难以满足非住院环境需求，而现有机器学习方法存在特征提取依赖专家知识、深度学习模型计算复杂度高等痛点。在此背景下，研究人员开发了一种突破性的超轻量化三维卷积神经网络(3D-CNN)模型。

该研究由北京大学团队牵头，创新性地提出时空可分离3D卷积(TSS3D)架构，将传统3D卷积分解为1D时间卷积与2D空间卷积的级联结构。通过深度可分离卷积(DSC)和全局平均池化(GAP)技术，模型参数量被极致压缩至6.54k，运算量仅2.39M MACs。特别设计的延迟警报与指数移动平均(EMA)后处理策略，有效解决了误报问题。相关成果发表于《Biomedical Signal Processing and Control》，为可穿戴癫痫监测设备提供了里程碑式的解决方案。

关键技术包含：1)基于CHB-MIT头皮EEG数据库(256Hz采样率)构建数据集；2)时空可分离3D卷积实现特征解耦；3)深度可分离卷积与网络剪枝压缩模型；4)EMA算法优化分类输出。

【Methodology】
研究提出三层核心架构：输入层接收23×9×1的EEG片段，经TSS3D模块提取时空特征。其中1D卷积核沿时间轴捕捉δ/θ/α/β/γ节律，2D卷积分析电极空间分布。中间层采用DSC减少参数交互，末端GAP层替代全连接层降低计算量。

【CHB-MIT scalp EEG database】
使用包含198次发作事件的983小时EEG数据验证模型。预处理中将原始信号分割为4秒片段，通过频带能量比等特征增强时序表征。

【Conclusion】
最终模型实现三大突破：1)检测率达99.24%优于现有方案；2)平均延迟4.97秒满足临床需求；3)0.53次/小时的误报率较基线降低68%。该研究首次将3D-CNN参数规模控制在万级以下，其TSS3D架构为多通道生物信号处理提供了新范式。

讨论指出，该技术的非医院场景适用性具有重大社会价值，未来可通过边缘计算部署实现实时预警。研究同时启示，时空特征解耦策略可扩展至其他多维生物信号分析领域。作者团队特别致谢国家重点研发计划(2023YFB4502802)和国家自然科学基金(62074005)的支持。