基于小型神经网络的癫痫发作预测研究

摘要

目的 基于头皮脑电数据，提出一种针对难治性癫痫患者的癫痫发作预测方法并运用人工神经网络模型进行高效预测，以期提升癫痫脑电信号的分类预测效能。方法 采用波士顿儿童医院的难治性癫痫患者长时脑电数据库，从脑电同步性、复杂度及能量分布等多个维度提取癫痫发作间期和发作前期的脑电特征，并将这些特征输入人工神经网络模型中进行分类识别，从而实现癫痫的精准预测。通过调整模型参数以优化性能，并与现有的深度学习模型进行对比评估。结果 本研究提出的模型准确率为99.29%,精确度为91.44%,灵敏度为96.46%,特异性为99.46%。与当前基于机器学习和深度学习框架的癫痫发作预测研究相比，本研究的模型在分类预测能力上实现了提升，展现了更高的预测准确性。结论 通过手动提取癫痫脑电特征并构建人工神经网络模型，实现了对癫痫发作的有效预测。模型具有较高的准确性和稳定性，为辅助临床癫痫治疗和预防提供了可靠的技术支持。

关键词

癫痫发作预测 / 脑电 / 特征提取 / 机器学习