基于深度统计模型的轻量级癫痫发作预测框架(LFSP-DSM)：提升EEG信号分析与预测性能的新策略

来自多机构的研究团队针对癫痫预测中脑电图(EEG)信号标签不一致与数据量大的难题，开发了融合混合增强模型(HEM)与深度统计模型的轻量级框架LFSP-DSM。该框架通过多维数据增强与并行特征学习，在CHB-MIT数据集上实现了91%的发作频率响应率、86%的时间响应率及93.24%的准确率，为癫痫精准预测提供了高效解决方案。

　　

癫痫(Epilepsy)作为一种慢性神经系统疾病，其核心特征为反复发作的癫痫发作(Seizures)。现有脑电图(Electroencephalogram, EEG)信号标签存在不一致性，且数据规模庞大，导致传统机器学习算法在癫痫发作预测中面临模型过度复杂和预测周期过长的问题。

为解决这一挑战，研究者提出了一种名为LFSP-DSM的轻量级癫痫发作预测框架。该框架整合了混合增强模型(Hybrid Enhancement Model, HEM)与深度统计模型(Deep Statistical Model)，通过HEM中的多维数据增强模块，从空间与时间两个维度强化EEG信号特征，显著提升模型的预测能力。

深度统计模型被解耦为两部分：在线生成多维度EEG信号标签的统计模型(StaM)，以及通过并行路径学习EEG信号多层级特征的轻量卷积神经网络(LCNet)。此外，团队还设计了一套端到端的预测框架，适配了新型损失函数与响应成功率评估指标（包括发作频率响应与时间响应）。

大量实验结果表明，LFSP-DSM在癫痫频率响应成功率、时间响应成功率及总体准确率上分别达到91%、86%和93.24%，验证了该框架在处理癫痫序列数据方面的有效性。特别值得一提的是，该研究为提升预测性能、捕捉复杂信号模式提供了一种切实可行的技术路径。

图示摘要部分进一步强调，LFSP-DSM整合了数据分割、噪声抑制与多路径特征学习策略，在CHB-MIT数据集上表现出优异的泛化能力与对复杂EEG信号的适应性。