摘要
癫痫发作是最常见的会立即改变人们生活方式的神经系统疾病之一。由于脑电图（EEG）信号的非平稳性和复杂性，准确检测癫痫发作仍是神经科学研究中的重大挑战。目前大多数癫痫发作检测方法都采用机器学习（ML）和深度学习（DL）模型，这类模型因其实时评估的特性而高度依赖EEG信号。然而，这些方法仍存在若干局限：（1）类别不平衡问题以及（2）特征提取的局限性。这些问题导致了诊断准确率和可靠性的下降。本研究提出了一种创新的统一框架，用于自动检测癫痫发作，该框架通过先进的深度学习技术整合了EEG和磁共振成像（MRI）数据。在研究中，预处理通过两个独立流程进行：首先，使用巴特沃斯滤波器去除EEG信号中的高频噪声；接着，采用数据标准化技术对信号进行归一化处理，然后利用同步挤压小波变换（SWT）将信号表示在时频域中。完成EEG的预处理后，再通过数据增强技术对MRI数据进行预处理，以提高数据集的多样性。预处理完成后，分别使用基于改进激活函数的深度卷积神经网络（IADCNN）对EEG和MRI数据提取特征。之后，通过跨模态注意力融合（CMAF）技术整合来自MRI和EEG的重要特征，即融合数据。随后，利用基于极端梯度提升算法的自定义损失函数进行癫痫发作检测。最后，采用置信度校准策略来评估所提框架的可靠性。与现有的混合模型不同，该框架将特征学习、跨模态融合、针对不平衡问题的分类以及置信度校准整合在同一个统一的学习流程中。研究在公开可用的CHB-MIT和神经影像工具与资源协作组（NITRC）数据集上进行了测试，在实验条件下，该系统的准确率达到了99.56%，显示出相较于传统基准方法的更好性能。研究结果表明，在本研究所考虑的实验条件下，所提出的多模态方法能够有效提升癫痫发作的检测性能。
利益冲突声明
作者声明不存在任何利益冲突。
数据可用性说明
本文的研究实现使用了公开可用的数据集，可通过https://physionet.org/content/chbmit/1.0.0/chb01/#files-panel获取。如需了解本研究的相关实现细节及源代码，可向对应作者提出合理请求后获取。
