基于CNN_CBAM_LSTM混合深度学习模型与注意力机制的癫痫发作检测研究

本综述系统阐述了结合卷积神经网络（CNN）、卷积块注意力模块（CBAM）和长短时记忆网络（LSTM）的混合深度学习模型在癫痫发作检测中的创新应用。研究通过多模态特征提取与注意力机制聚焦关键信息，在波恩大学公开数据集中实现了98.80%的检测准确率，为癫痫的早期诊断与干预提供了突破性技术方案。

　　

Highlight

本研究通过融合卷积神经网络（CNN）、卷积块注意力模块（Convolutional Block Attention Module, CBAM）和长短时记忆网络（Long Short-Term Memory, LSTM）构建了创新性的癫痫检测架构。该模型能自动从EEG信号中提取表征癫痫发作的空间特征与时间序列特征，并通过注意力机制强化关键信息处理，在波恩大学数据集上实现了突破性的98.80%分类准确率。

Results

采用十折交叉验证对CNN_CBAM_LSTM模型进行评估，综合准确率（Accuracy）、精确度（Precision）、召回率（Recall）、F1值（F1-value）、马修斯相关系数（Matthews Correlation Coefficient, MCC）、卡帕系数（Kappa）及检测率几何平均数（Geometric Mean of the Detection Rate, GDR）等多维度指标验证模型性能。

Discussion

通过系统优化训练参数发现：当初始学习率从0.0001提升至0.001时，模型检测准确率呈现下降趋势，这可能源于过高学习率导致梯度更新过程中的震荡现象。而批处理规模（Batch Size）增至128时，模型收敛速度显著提升且准确率趋于稳定，表明适度增大批规模有助于增强训练稳定性。此外，Epoch数量增加至100时，模型逐步达到最优性能状态，证实了充分迭代对特征学习的必要性。

Conclusion

本研究提出的CNN_CBAM_LSTM框架成功实现了癫痫发作的自动化检测，克服了传统手工特征提取的适应性局限。通过参数优化与消融实验验证了各模块的协同效应，为癫痫精准诊断提供了具有临床转化潜力的深度学习解决方案。