摘 要：癲癇屬于神經(jīng)系統(tǒng)疾病，反復(fù)發(fā)作和持久傾向?qū)?dǎo)致機(jī)體損傷，因此提前發(fā)現(xiàn)癲癇發(fā)作有助提升患者的生活質(zhì)量。為了全面且深入地探究人工智能在預(yù)測(cè)癲癇發(fā)作方面的研究進(jìn)展及趨勢(shì)，首先介紹了目前常用的預(yù)測(cè)癲癇的腦電公開(kāi)數(shù)據(jù)集、評(píng)價(jià)指標(biāo)和預(yù)處理技術(shù)，其次將基于人工智能的癲癇發(fā)作預(yù)測(cè)研究劃分為基于機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)兩類(lèi)，并分別進(jìn)行分析。分析結(jié)果顯示，基于深度學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)，準(zhǔn)確率能達(dá)到95%以上?；谝陨涎芯拷Y(jié)果得出人工智能應(yīng)用于癲癇發(fā)作預(yù)測(cè)具有良好的發(fā)展前景。

關(guān)鍵詞：癲癇發(fā)作預(yù)測(cè);深度學(xué)習(xí);機(jī)器學(xué)習(xí);腦電圖

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

癲癇（Epilepsy）是一種由異常的大腦活動(dòng)引起的大腦神經(jīng)系統(tǒng)疾病，其特征是反復(fù)發(fā)作并具有持久傾向，患病人群涉及全年齡段個(gè)體，并且近年來(lái)患病人數(shù)呈持續(xù)增長(zhǎng)趨勢(shì)[1-2]。癲癇發(fā)作的患者會(huì)出現(xiàn)意識(shí)喪失和抽搐行為，給機(jī)體帶來(lái)嚴(yán)重的損傷[3]。預(yù)測(cè)癲癇發(fā)作可以降低疾病發(fā)作給患者機(jī)體帶來(lái)的損傷風(fēng)險(xiǎn)，改善患者的疾病預(yù)后。相較于基于人工提取特征的經(jīng)典機(jī)器學(xué)習(xí)模型，因?yàn)樯疃葘W(xué)習(xí)具有自主提取與學(xué)習(xí)關(guān)鍵特征的優(yōu)勢(shì)，所以在癲癇發(fā)作預(yù)測(cè)研究中展現(xiàn)出重要的價(jià)值。本文首先概述了癲癇發(fā)作預(yù)測(cè)常用的數(shù)據(jù)集、評(píng)價(jià)指標(biāo)和預(yù)處理技術(shù)，其次分別介紹了機(jī)器學(xué)習(xí)技術(shù)、深度學(xué)習(xí)技術(shù)在癲癇發(fā)作預(yù)測(cè)中的具體應(yīng)用，并分析了兩種技術(shù)的優(yōu)點(diǎn)和缺點(diǎn)，最后總結(jié)了未來(lái)癲癇發(fā)作預(yù)測(cè)研究中需要解決的問(wèn)題。

1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)（Datasets and evaluation indicators）

1.1 數(shù)據(jù)集

腦電圖（Electroencephalogram，EEG）具有非入侵性且可以提供大腦的全局信息，因此被廣泛用于癲癇的發(fā)作預(yù)測(cè)研究[4]。目前，常用的預(yù)測(cè)癲癇的腦電公開(kāi)數(shù)據(jù)集有波士頓兒童醫(yī)院和麻省理工學(xué)院聯(lián)合創(chuàng)建的癲癇腦電圖數(shù)據(jù)集（Children'sHospital Boston and Massachusetts Institute of Technology，CHB-MIT）[5]、弗萊堡醫(yī)院創(chuàng)建的癲癇腦電圖數(shù)據(jù)集（Freiburg）[6]和美國(guó)癲癇協(xié)會(huì)（American Epilepsy Society，AES）創(chuàng)建的數(shù)據(jù)集[7]。癲癇發(fā)作預(yù)測(cè)模型常用數(shù)據(jù)集如表1所示。

1.2 評(píng)價(jià)指標(biāo)

靈敏度（Sensitivity，SEN）和特異性（Specificity，SPE）是評(píng)估癲癇發(fā)作預(yù)測(cè)方法性能的重要指標(biāo)[8]。靈敏度衡量的是真陽(yáng)性概率（True Positive Rate，TPR），而特異性則表示真陰性概率（True Negative Rate，TNR）。通常，可以通過(guò)公式（1）和公式（2）定義靈敏度和特異性，其中TP為真陽(yáng)性，即正確分類(lèi)為陽(yáng)性類(lèi);TN為真陰性，即正確分類(lèi)為陰性類(lèi);FP為假陽(yáng)性，即陰性類(lèi)預(yù)測(cè)為陽(yáng)性;FN為假陰性，即陽(yáng)性類(lèi)預(yù)測(cè)為陰性。在癲癇發(fā)作預(yù)測(cè)中，癲癇發(fā)作前的狀態(tài)被認(rèn)為是陽(yáng)性，癲癇發(fā)作期間的狀態(tài)被認(rèn)為是陰性。

評(píng)價(jià)指標(biāo)還有受試者的工作特征曲線(xiàn)（Receiver OperatorCharacteristic，ROC）及其曲線(xiàn)下的面積（Area Under Curve，AUC）[9]。ROC是對(duì)癲癇發(fā)作間歇期和癲癇發(fā)作前期的TPR與FPR進(jìn)行評(píng)估，AUC是對(duì)TPR與FPR進(jìn)行分類(lèi)算法性能排名[10]。

癲癇的發(fā)作預(yù)測(cè)是在癲癇發(fā)作前發(fā)出警報(bào)，在理論條件下，應(yīng)該預(yù)測(cè)獲得癲癇發(fā)作的確切時(shí)間，但是在實(shí)際中，只能是預(yù)測(cè)癲癇大概率發(fā)作的時(shí)間段。因此，癲癇發(fā)作期（SeizureOccurrence Period，SOP）和癲癇發(fā)作預(yù)測(cè)期（Seizure PredictionHorizon，SPH）也是評(píng)估癲癇發(fā)作預(yù)測(cè)方法性能的指標(biāo)。SOP為可能發(fā)生癲癇的時(shí)間段，SPH 為發(fā)出警報(bào)到SOP起始時(shí)的時(shí)間段[11]。

2 癲癇發(fā)作預(yù)測(cè)方法與模型（Methods and modelsfor epileptic seizure prediction）

患者癲癇發(fā)作時(shí)的腦電狀態(tài)可劃分為4個(gè)時(shí)期，分別為發(fā)作前期、發(fā)作期、發(fā)作后期和發(fā)作間歇期[12]。如圖1所示，發(fā)作前期是指患者癲癇發(fā)作前的幾秒到幾個(gè)小時(shí)的時(shí)間段，在此期間患者的腦電信號(hào)表現(xiàn)出相應(yīng)的異常，可通過(guò)檢測(cè)異常信號(hào)進(jìn)行發(fā)病預(yù)測(cè);發(fā)作期是指患者癲癇發(fā)作的時(shí)間段;發(fā)作后期是指患者癲癇發(fā)作結(jié)束后與發(fā)作間歇期開(kāi)始的時(shí)間段;發(fā)作間歇期是指患者腦電活動(dòng)正常的時(shí)間段[13]。預(yù)測(cè)癲癇發(fā)作的前提是能及時(shí)且準(zhǔn)確地檢測(cè)患者癲癇發(fā)作前的腦電狀態(tài)，因此預(yù)測(cè)癲癇發(fā)作可轉(zhuǎn)化為發(fā)作前期和發(fā)作間歇期的二分類(lèi)問(wèn)題。

2.1 預(yù)處理技術(shù)

未處理的腦電信號(hào)往往包含各種偽跡，偽跡分為生理偽跡和非生理偽跡兩類(lèi)。生理偽跡一般來(lái)源于人體本身，常見(jiàn)的是眼動(dòng)、心跳、呼吸時(shí)肌肉運(yùn)動(dòng)和汗腺分泌等產(chǎn)生的生理電信號(hào);非生理偽跡通常來(lái)自外界環(huán)境的干擾，如市電干擾、電極與頭皮接觸不良等環(huán)境干擾因素[14]。因此，需要對(duì)采集的腦電數(shù)據(jù)進(jìn)行預(yù)處理，盡可能減少或消除偽跡的影響，保留原始真實(shí)的信息，進(jìn)而更準(zhǔn)確地表征大腦神經(jīng)信號(hào)，這對(duì)于癲癇的發(fā)作預(yù)測(cè)具有重要意義。低通、高通、帶通和陷波濾波器是目前消除偽跡的常見(jiàn)解決方案[15]，但是濾波器只有在偽跡的頻率不重疊時(shí)才有效，而在頻率重疊的情況下，則可以采用小波變換（Wavelet Transform，WT）[16]、回歸法[17]、盲源分離（BlindSource Separation，BSS）[18]、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical ModeDecomposition，EMD）[19]、濾波法（Filtering）[20-21]及稀疏分量分析（Sparse Component Analysis，SCA）[22]等方法（圖2）。除了使用上述方法外，還可以將經(jīng)驗(yàn)?zāi)B(tài)分解與盲源分離相結(jié)合[23]、小波與盲源分離相結(jié)合[24]等混合方法消除偽跡。

2.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)

如圖3所示，基于傳統(tǒng)機(jī)器學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)是從腦電信號(hào)中提取特征并選擇最佳特征，然后將特征分類(lèi)為發(fā)作間歇期和發(fā)作前期，識(shí)別出癲癇發(fā)作前期的腦電信號(hào)，從而實(shí)現(xiàn)癲癇發(fā)作預(yù)測(cè)。

2.2.1 特征提取與選擇

EEG可提供與癲癇發(fā)作前密切相關(guān)的高靈敏度特征信息，特征提取是將腦電信號(hào)中最具鑒別意義的信息提取出來(lái)的過(guò)程。特征提取前，腦電信號(hào)通常被分割成特定長(zhǎng)度的窗口，不同的窗口長(zhǎng)度對(duì)預(yù)測(cè)結(jié)果有較大的影響[25-26]。EEG特征通常從時(shí)域分析、頻域分析、時(shí)頻域分析和非線(xiàn)性分析中提取，常用的特征有Hjorth參數(shù)、功率譜密度、Lyapunov指數(shù)和排列熵等[27-28]。YANG等[29]提取排列熵特征用于測(cè)量時(shí)間序列的復(fù)雜程度，結(jié)果表明，該特征在癲癇發(fā)作預(yù)測(cè)中有巨大的潛力。

特征選擇是選擇最佳特征以提高分類(lèi)器性能的過(guò)程。提取的特征通常存在多余的信息，這些信息會(huì)干擾模型學(xué)習(xí)核心特征信息，影響模型性能。因此，減少特征數(shù)量可以同時(shí)減少分類(lèi)器待優(yōu)化參數(shù)的數(shù)量，提高預(yù)測(cè)速度和預(yù)測(cè)準(zhǔn)確度。HUSSEIN等[30]使用模擬退火法尋找區(qū)分癲癇發(fā)作前和癲癇發(fā)作間歇期達(dá)到最佳性能的特征。ZHANG等[31]使用3個(gè)連續(xù)的算法分步進(jìn)行特征選擇：首先刪除標(biāo)準(zhǔn)差較小的特征;其次保留權(quán)重較大的重要特征以供進(jìn)一步分析;最后細(xì)化特征子集以消除冗余。

2.2.2 分類(lèi)

分類(lèi)是傳統(tǒng)機(jī)器學(xué)習(xí)（Machine Learning，ML）算法的常見(jiàn)任務(wù)之一，它使用選定的特征分類(lèi)器區(qū)分癲癇患者的發(fā)作前期[9]。常用的機(jī)器學(xué)習(xí)模型有支持向量機(jī)（Support VectorMachine，SVM）、邏輯回歸（Logistic Regression，LR）、決策樹(shù)（Decision Trees，DTs）、隨機(jī)森林（Random Forest，RF）、樸素貝葉斯（Naive Bayes，NB）和K-最近鄰算法（K-Nearest Neighbors，KNN）等。

USMAN等[32]應(yīng)用EMD進(jìn)行EEG預(yù)處理，并提取時(shí)域和頻域特征，分別應(yīng)用了KNN、NB和SVM 進(jìn)行分類(lèi)預(yù)測(cè)，靈敏度達(dá)到92.23%，最大預(yù)期時(shí)間為33 min，平均預(yù)測(cè)時(shí)間為23.6 min。MAHMOODIAN[33]等使用Freiburg癲癇腦電數(shù)據(jù)集和交叉雙譜方法提取非線(xiàn)性多變量特征輸入SVM來(lái)預(yù)測(cè)癲癇發(fā)作，獲得了100%的靈敏度。SAVADKOOHI等[34]利用巴特沃斯濾波、傅里葉變換和小波變換分別在時(shí)間域、頻域和時(shí)頻域提取腦電特征，并用T檢驗(yàn)和序貫前向浮點(diǎn)選擇進(jìn)行特征選擇，采用SVM 和KNN對(duì)腦電信號(hào)進(jìn)行分類(lèi)，SVM 應(yīng)用于癲癇發(fā)作預(yù)測(cè)時(shí)，在靈敏度和特異性方面優(yōu)于其他類(lèi)型的分類(lèi)器。ML用于癲癇發(fā)作預(yù)測(cè)的主要局限性是必須進(jìn)行人工干預(yù)才能提取有效的特征，手動(dòng)提取的特征具有高度的主觀(guān)性，并依賴(lài)于人工對(duì)該領(lǐng)域?qū)I(yè)知識(shí)的掌握程度。因此，引入深度學(xué)習(xí)進(jìn)行癲癇發(fā)作預(yù)測(cè)具有重要意義。

2.3 基于深度學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)

腦電信號(hào)中存在的噪聲和偽跡使得特征提取的處理非常復(fù)雜。深度學(xué)習(xí)（Deep Learning，DL）是機(jī)器學(xué)習(xí)的一個(gè)分支，它可以自動(dòng)從腦電信號(hào)中提取特征并學(xué)習(xí)關(guān)鍵信息，基于深度學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)流程圖如圖4所示。因此，與手動(dòng)特征提取的機(jī)器學(xué)習(xí)方法相比，自動(dòng)提取特征的深度學(xué)習(xí)具有顯著優(yōu)勢(shì)，使其逐漸成為癲癇發(fā)作預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）與其他DL網(wǎng)絡(luò)相比，在癲癇發(fā)作預(yù)測(cè)中的應(yīng)用更廣泛，通常采用2D-CNN預(yù)測(cè)癲癇何時(shí)發(fā)作。2D-CNN應(yīng)用于預(yù)測(cè)癲癇發(fā)作時(shí)，首先使用預(yù)處理方法將腦電信號(hào)轉(zhuǎn)換為二維圖像，其次將這些圖像輸入CNN進(jìn)行分類(lèi)預(yù)測(cè)。TRUONG等[35]提出了一種適用于所有患者的癲癇發(fā)作預(yù)測(cè)方法，在30 s的腦電窗口上使用短時(shí)傅里葉變換（Short-Time Fourier Transform， STFT）提取頻域和時(shí)域的信息，自動(dòng)為每一位患者生成優(yōu)化的特征，對(duì)發(fā)作前期和發(fā)作間歇期的EEG進(jìn)行二分類(lèi)，獲得的靈敏度為81.2%。1D-CNN模型因?qū)崿F(xiàn)簡(jiǎn)單使其在癲癇發(fā)作預(yù)測(cè)研究中具有特殊的地位。JANA等[36]提出了一種基于最小通道CNN的癲癇發(fā)作預(yù)測(cè)方法用于癲癇患者的自動(dòng)特征提取和分類(lèi)，通過(guò)將22個(gè)腦電通道優(yōu)化為6個(gè)，獲得了平均分類(lèi)準(zhǔn)確率為99.47%、平均靈敏度為97.83%、平均特異性為92.36%的優(yōu)異性能。

由于EEG信號(hào)本質(zhì)上是高度動(dòng)態(tài)的、非線(xiàn)性的時(shí)間序列數(shù)據(jù)，因此長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）在此領(lǐng)域的應(yīng)用比CNN更具有優(yōu)勢(shì)，它可以分離出不同狀態(tài)下大腦活動(dòng)的時(shí)間特征。TSIOURIS等[37]在癲癇發(fā)作預(yù)測(cè)中引入了LSTM 網(wǎng)絡(luò)，提取了時(shí)域和頻域特征，能夠預(yù)測(cè)所有185次癲癇發(fā)作。SINGH等[38]提出了一個(gè)基于頻譜特征的兩層LSTM網(wǎng)絡(luò)模型用于癲癇發(fā)作預(yù)測(cè)，并使用30 s的腦電片段，獲得的平均分類(lèi)準(zhǔn)確率為98.14%、平均靈敏度為98.51%、平均特異性為97.78%。USMAN等[39]使用EMD去除腦電信號(hào)中的噪聲，并使用生成對(duì)抗網(wǎng)絡(luò)生成發(fā)作前的樣本，以處理類(lèi)別不平衡的問(wèn)題。用三層CNN自動(dòng)提取特征，用LSTM 進(jìn)行發(fā)作前和發(fā)作間歇期的分類(lèi)，得到93%的靈敏度和92.5%的特異性。實(shí)際應(yīng)用中，LSTM僅被訓(xùn)練為用于特定患者的癲癇發(fā)作預(yù)測(cè)，泛化能力較弱。

為了提高模型的泛化能力，可以考慮使用集成學(xué)習(xí)（Ensemble Learning，EL）的方法。集成學(xué)習(xí)是通過(guò)訓(xùn)練多個(gè)學(xué)習(xí)器并將它們結(jié)合起來(lái)解決一個(gè)問(wèn)題，通常結(jié)合了多個(gè)學(xué)習(xí)器的集成學(xué)習(xí)模型比單個(gè)學(xué)習(xí)器的性能更好。MUHAMMAD等[40]提出了一種基于深度學(xué)習(xí)的集成學(xué)習(xí)方法用于預(yù)測(cè)癲癇發(fā)作，提出了一種三層定制的CNN用于從預(yù)處理的EEG信號(hào)中自動(dòng)提取特征并將其與手動(dòng)提取特征相結(jié)合，以獲得全面的特征集。分類(lèi)器使用無(wú)模型元學(xué)習(xí)（Model Agnostic MetaLearning，MAML）將SVM、CNN和LSTM 的輸出組合，應(yīng)用在CHB-MIT數(shù)據(jù)集中，得到的平均靈敏度為96.28%，平均特異性為95.65%，平均預(yù)期時(shí)間為33 min。

3 結(jié)論（Conclusion）

目前，對(duì)于建立癲癇發(fā)作預(yù)測(cè)模型，傳統(tǒng)機(jī)器學(xué)習(xí)算法面臨一些問(wèn)題，例如需要手動(dòng)提取特征并泛化性較差。然而，深度學(xué)習(xí)算法能夠自動(dòng)提取特征并調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)并參數(shù)以適應(yīng)不同的數(shù)據(jù)，這使得其在處理各種類(lèi)型和變化的腦電信號(hào)時(shí)更加靈活和可靠，但仍有問(wèn)題亟須解決。未來(lái)，癲癇發(fā)作預(yù)測(cè)研究需開(kāi)發(fā)具有成本效益、低功耗、實(shí)時(shí)性的用于監(jiān)測(cè)與采集腦電信號(hào)的硬件設(shè)備，以及構(gòu)建具有可解釋性和高性能的預(yù)測(cè)模型。

參考文獻(xiàn)（References）

[1] FISHER R S，ACEVEDO C，ARZIMANOGLOU A，et al.ILAE official report：a practical clinical definition of epilepsy[J]. Epilepsia，2014，55（4）：475-482.

[2] 韓芳，樊登貴，張麗媛，等. 神經(jīng)系統(tǒng)疾病與認(rèn)知?jiǎng)恿W(xué)（Ⅰ）：癲癇發(fā)作的動(dòng)力學(xué)與控制[J]. 力學(xué)進(jìn)展，2022，52（2）：339-396.

[3] CHERIAN R，KANAGA E G. Theoretical and methodologicalanalysis of EEG based seizure detection and prediction：an exhaustive review[J]. Journal of neurosciencemethods，2022，369：109483.

[4] CRAIK A，HE Y T，CONTRERAS-VIDAL J L. Deeplearning for electroencephalogram （EEG） classificationtasks：a review[J]. Journal of neural engineering，2019，16（3）：031001.

[5] CHEN X，ZHENG Y J，DONG C X，et al. Multi-dimensionalenhanced seizure prediction framework based ongraph convolutional network[J]. Frontiers in neuroinformatics，2021，15：605729.

[6] IHLE M，F(xiàn)ELDWISCH-DRENTRUP H，TEIXEIRA C A，et al. EPILEPSIAE-a European epilepsy database[J].Computer methods and programs in biomedicine，2012，106（3）：127-138.

[7] HUSSEIN R，LEE S，WARD R，et al. Semi-dilated convolutionalneural networks for epileptic seizure prediction[J].Neural networks，2021，139：212-222.

[8] OSORIO I，F(xiàn)REI M G，WILKINSON S B. Real-time automateddetection and quantitative analysis of seizures andshort-term prediction of clinical onset[J]. Epilepsia，1998，39（6）：615-627.

[9] RASHEED K，QAYYUM A，QADIR J，et al. Machinelearning for predicting epileptic seizures using EEG signals：a review[J]. IEEE reviews in biomedical engineering，2020，14：139-155.

[10] MAIMAITI B，MENG H M，LV Y D，et al. An overviewof EEG-based machine learning methods in seizure predictionand opportunities for neurologists in this field[J].Neuroscience，2022，481：197-218.

[11] CHEN H H，CHERKASSKY V. Performance metrics foronline seizure prediction[J]. Neural networks，2020，128：22-32.

[12] BOU ASSI E，NGUYEN D K，RIHANA S，et al. Towardsaccurate prediction of epileptic seizures：a review[J]. Biomedicalsignal processing and control，2017，34：144-157.

[13] KUHLMANN L，LEHNERTZ K，RICHARDSON M P，et al. Seizure prediction-ready for a new era[J]. Naturereviews neurology，2018，14：618-630.

[14] STONE D B，TAMBURRO G，F(xiàn)IEDLER P，et al. Automaticremoval of physiological artifacts in EEG：the optimizedfingerprint method for sports science applications[J].Frontiers in human neuroscience，2018，12：96.

[15] LI S F，ZHOU W D，YUAN Q，et al. Seizure predictionusing spike rate of intracranial EEG[J]. IEEE transactionson neural systems and rehabilitation engineering：apublication of the IEEE engineering in medicine and biologysociety，2013，21（6）：880-886.

[16] SLIMEN I B，BOUBCHIR L，MBARKI Z，et al. EEG epilepticseizure detection and classification based on dualtreecomplex wavelet transform and machine learning algorithms[J]. Journal of biomedical research，2020，34（3）：151-161.

[17] MAHAMUNE R，LASKAR S H，DHARMALE N，et al.Ocular artifacts removal from EEG signals using DiscreteWavelet Transform and Quadratic Regression Method[C]∥IEEE. Proceedings of the IEEE：2022 IEEE India CouncilInternational Subsections Conference（INDISCON）. Piscataway：IEEE，2022：1-7.

[18] CORSINI J，SHOKER L，SANEI S，et al. Epileptic seizurepredictability from scalp EEG incorporating constrainedblind source separation[J]. IEEE transactions onbio-medical engineering，2006，53（5）：790-799.

[19] HASSAN A R，SUBASI A，ZHANG Y C. Epilepsy seizuredetection using complete ensemble empirical modedecomposition with adaptive noise[J]. Knowledge-basedsystems，2020，191：105333.

[20] GARCéS CORREA A，OROSCO L L，DIEZ P，et al. Adaptivefiltering for epileptic event detection in the EEG[J].Journal of medical and biological engineering，2019，39（6）：912-918.

[21] SHANG Y Z，LONG S L. EEG signal classifiaction withoptimized LSTM：a meta-heuristic approach[C]∥IEEE.Proceedings of the IEEE：2022 IEEE International Conferenceon Advances in Electrical Engineering and ComputerApplications（AEECA）. Piscataway：IEEE，2022：922-929.

[22] WU Y L，ZHANG H X，WANG H Q，et al. The sparsedecomposition and compression of ECG and EEG basedon matching pursuits[C]∥IEEE. Proceedings of theIEEE：2010 IEEE 3rd International Conference on BiomedicalEngineering and Informatics. Piscataway：IEEE，2010：1094-1097.

[23] JIANG X，BIAN G B，TIAN Z A. Removal of artifactsfrom EEG signals：a review [J]. Sensors，2019，19（5）：987.

[24] YAN X T，BOUDRIAS M H，MITSIS G D. Removal oftranscranial alternating current stimulation EEG artifactsusing blind source separation and wavelets[J]. IEEEtransactions on bio-medical engineering，2022，69（10）：3183-3192.

[25] ALOTAIBY T N，ALSHEBEILI S A，ALOTAIBI F M，et al. Epileptic seizure prediction using CSP and LDA forscalp EEG signals[J]. Computational intelligence andneuroscience，2017，2017：1240323.

[26] CHO D，MIN B，KIM J，et al. EEG-based prediction ofepileptic seizures using phase synchronization elicitedfrom noise-assisted multivariate empirical mode decomposition[J]. IEEE transactions on neural systems and rehabilitationengineering：a publication of the IEEE engineering inmedicine and biology society，2017，25（8）：1309-1318.

[27] USMAN S M，HASSAN A. Efficient prediction and classificationof epileptic seizures using EEG data based onunivariate linear features [J]. Journal of computers，2018，13（6）：616-621.

[28] FICICI C，EROGUL O，TELATAR Z. Epileptic activitydetection in EEG signals using linear and non-linear featureextraction methods[C]∥IEEE. Proceedings of theIEEE：2019 IEEE 11th International Conference on Electricaland Electronics Engineering （ELECO）. Piscataway：IEEE，2019：449-455.

[29] YANG Y L，ZHOU M N，NIU Y，et al. Epileptic seizureprediction based on permutation entropy[J]. Frontiers incomputational neuroscience，2018，12：55.

[30] HUSSEIN H M，ABDALLA K K. Seizure predictionalgorithm based on simulated annealing and machinelearning[J]. International journal of nonlinear analysisand applications，2023，14（1）：1499-1508.

[31] ZHANG Y D，YANG S H，LIU Y，et al. Integration of 24feature types to accurately detect and predict seizuresusing scalp EEG signals[J]. Sensors，2018，18（5）：1372.

[32] USMAN S M，USMAN M，F(xiàn)ONG S. Epileptic seizuresprediction using machine learning methods[J]. Computationaland mathematical methods in medicine，2017，2017：9074759.

[33] MAHMOODIAN N，HADDADNIA J，ILLANES A，et al. Seizure prediction with cross-higher-order spectralanalysis of EEG signals[J]. Signal，image and video processing，2020，14（4）：821-828.

[34] SAVADKOOHI M，OLADUNNI T，THOMPSON L. Amachine learning approach to epileptic seizure predictionusing electroencephalogram （EEG） signal[J]. Biocyberneticsand biomedical engineering，2020，40（3）：1328-1341.

[35] TRUONG N D，NGUYEN A D，KUHLMANN L，et al.Convolutional neural networks for seizure prediction usingintracranial and scalp electroencephalogram[J]. Neuralnetworks，2018，105：104-111.

[36] JANA R，MUKHERJEE I. Deep learning based efficient epilepticseizure prediction with EEG channel optimization[J].Biomedical signal processing and control，2021，68：102767.

[37] TSIOURIS Κ Μ，PEZOULAS V C，ZERVAKIS M，et al.A long short-term memory deep learning network for theprediction of epileptic seizures using EEG signals[J].Computers in biology and medicine，2018，99：24-37.

[38] SINGH K，MALHOTRA J. Two-layer LSTM networkbasedprediction of epileptic seizures using EEG spectralfeatures[J]. Complex amp; intelligent systems，2022，8（3）：2405-2418.

[39] USMAN S M，KHALID S，BASHIR Z. Epileptic seizureprediction using scalp electroencephalogram signals[J].Biocybernetics and biomedical engineering，2021，41（1）：211-220.

[40] MUHAMMAD USMAN S，KHALID S，BASHIR S. Adeep learning based ensemble learning method for epilepticseizure prediction[J]. Computers in biology and medicine，2021，136：104710.

作者簡(jiǎn)介：

汪文杰（1997-），男，碩士生。研究領(lǐng)域：醫(yī)學(xué)圖像處理。

姚旭峰（1976-），男，博士，教授。研究領(lǐng)域：人工智能與計(jì)算機(jī)圖像處理。本文通信作者。

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2020YFC2008700）;國(guó)家自然科學(xué)基金（61971275，81830052，82072228）資助;上海市地方高校能力建設(shè)科學(xué)技術(shù)委員會(huì)（23010502700）資助