摘要
从脑电图记录中自动检测癫痫发作对于及时进行临床干预以及长期监测患者状况至关重要。深度学习虽然具有较高的准确性，但其可解释性较差且计算成本高，这限制了其在资源有限的实时临床环境中的应用；此外，传统的机器学习研究大多集中在少数几种已知的时间特征上。本研究系统地引入并评估了25种较少被研究的时域特征，其中13种在头皮脑电图癫痫发作检测中从未被用作分类特征，然后将其与25种传统特征及其组合的50种特征进行对比。来自CHB-MIT数据库的原始未过滤记录被分割成10秒长的片段，随后通过分层组交叉验证方法，使用GridSearchCV对7种传统分类器进行了优化，数据按患者层面划分，确保没有患者同时出现在训练集和测试集中。基于50种特征组合训练的多层感知器表现最佳（准确率为86.59%，F1值为86.35%），分别比单独使用传统特征高出5.1%和4.6%；而那些较少被研究的特征单独使用时也具备较强竞争力（准确率分别为84.63%和84.67%）。SHAP分析表明，去趋势波动分析的指数——一种用于衡量时间相关性的长距离非线性指标——是最具影响力的预测因子。这一精心筛选的特征集、严格的逐患者级验证以及良好的可解释性，为未来在临床中的应用奠定了可重复且高效的基础。
