多通道时空特征提取的癫痫发作预测模型

摘要

提出一种基于多通道时空特征提取的癫痫发作预测模型。该模型首先对原始多通道脑电图（EEG）信号进行斯托克韦尔变换，提取时频成分。针对癫痫发作前期和间期时频特征差异不明显的问题，设计了由ConvNeXt网络、SENet和金字塔池化模块组成的自适应特征提取模块，增强对每个EEG通道内关键时频特征的捕获能力。同时，构建基于Bi-NLSTM的预测模型，增强多通道高阶EEG时频特征之间的时空依赖性，进一步提高癫痫分类性能。在CHB-MIT数据集上，该模型的准确率、灵敏度、特异性和AUC分别达到96.0%、97.8%、96.8%和0.987，每小时假阳性率降至0.038，优于现有主流方法。消融实验验证各组件对提升模型性能的实际效果。本方法通过优化局部时频特征提取和增强多通道时空依赖性，有效提升癫痫发作预测的整体性能。

关键词

癫痫发作预测 / 多通道头皮脑电信号 / 斯托克韦尔变换 / 自适应特征提取 / 双向邻域长短期记忆网络