【文献翻译】Epileptic Seizures Detection Using Deep Learning Techniques: A Review

利用深度学习技术检测癫痫发作：综述

摘要

人们提出了多种筛查方法来诊断癫痫发作，使用脑电图（EEG）和磁共振成像（MRI）模式。人工智能包括许多领域，其中一个分支是深度学习（DL）。在深度学习兴起之前，传统的机器学习算法涉及特征提取。这将他们的表现限制在手工制作功能的能力上。然而，在DL中，特征提取和分类是完全自动化的。这些技术在许多医学领域的出现，如癫痫发作的诊断，已经取得了重大进展。在这项研究中，全面概述了使用DL技术和神经成像方式进行癫痫发作自动检测的工作。本文描述了利用EEG和MRI模式自动诊断癫痫发作的各种方法。此外，还对使用DL开发的癫痫发作康复系统进行了分析，并提供了总结。康复工具包括云计算技术和实现DL算法所需的硬件。本文还讨论了利用脑电和磁共振成像技术准确检测癫痫自动发作的重要挑战。介绍了基于DL的癫痫发作诊断技术的优点和局限性。最后，提出了最有前途的DL模型，并展望了癫痫发作自动检测的未来工作。

1 - 引言

癫痫一种非传染性疾病，是人类最常见的神经系统疾病之一，通常与突然发作有关[1]。癫痫发作是大脑电活动的一种快速早期异常，会扰乱整个身体的一部分[2]。癫痫发作正以各种方式影响着全世界约6000万人[3]。这些攻击偶尔会引发认知障碍，从而对患者造成严重的身体伤害。此外，癫痫发作患者有时会因为尴尬和缺乏适当的社会地位而遭受情绪困扰。因此，早期发现癫痫发作可以帮助患者改善生活质量。已经开发了各种筛查技术来诊断癫痫发作，包括MRI[4]、EEG[5]、脑磁图（MEG）[6]和正电子发射断层扫描（PET）[7]。EEG信号因其经济、便携且在频域内显示清晰的节律而广受青睐[8]。EEG提供了大脑神经元离子电流产生的电压变化，这表明大脑的生物电活动[9]。用EEG信号诊断癫痫既费时又费力，因为癫痫学家或神经科医生需要仔细筛查EEG信号。此外，还存在人为错误的可能性，因此，开发基于计算机的诊断可能会缓解这些问题。许多机器学习算法已经被开发出来，使用统计、频域和非线性参数来检测癫痫发作[10]、[11]、[12]、[13]、[14]、[15]。在传统的机器学习技术中，特征和分类器的选择是通过试错法进行的。此外，人们需要具备信号处理和数据挖掘方面的扎实知识，才能开发出稳健的模型。这种模型在有限的数据中表现良好。如今，随着数据可用性的增加，机器学习技术可能表现得不太好。因此，采用了最先进的深度学习技术。

在传统的机器学习算法中，大多数仿真都是在Matlab软件环境中执行的，但深度学习模型通常是使用Python编程语言及其众多开源工具箱开发的。应用编程语言的这种变化帮助研究人员更轻松地对其他作品做出贡献，并更直接地再现先前得到的结果。还通过云计算为每个人创造了计算资源的可访问性，最后，为生物医学任务创建应用程序特定硬件提供了更方便的途径。图1显示，Tensorflow及其高级API之一Keras由于其多功能性和适用性，在回顾性工作中广泛用于通过深度学习进行癫痫发作检测。自2016年以来，大量研究开始使用深度学习模型识别癫痫，如卷积神经网络（CNN）、递归神经网络（RNN）、深度信念网络（DBN）、自动编码器（AE）、CNN-RNN和CNN-AE[16]、[17]、[18]、[19]。通过提出新的有效模型，这一领域中使用深度学习的研究数量正在增加。图2概述了2014年至2020年间使用各种深度学习模型进行的癫痫发作检测研究的数量。


本研究的主要目标如下：

• 提供可用EEG数据集的信息。
• 回顾使用各种深度学习模型通过各种方式自动检测癫痫发作的工作。
• 介绍癫痫发作检测的未来挑战。
• 分析各种数据模式的最佳性能模型。

第二节讨论了利用深度学习检测癫痫发作。第三节介绍了基于非脑电图的癫痫发作检测。第四节提供了用于癫痫发作检测的硬件。第五节概述了对该文件的讨论。第六节总结了采用深度学习方法检测癫痫发作所面临的挑战。最后，第七节描述了结论和未来的工作。

2 - 基于深度学习技术的癫痫发作检测

图3展示了使用深度学习方法的计算机辅助诊断系统（CADS）的工作原理。深度学习模型的输入可以是EEG、MEG、皮质电图（ECoG）、功能性近红外光谱（fNIRS）、PET、单光子发射计算机断层扫描（SPECT）、MRI。然后对信号进行预处理以去除噪声。然后利用这些去噪信号建立深度学习模型。使用准确性、敏感性和特异性来评估模型的性能。此外，本文附录a中的表格中还列出了一个表格，该表格综合了使用深度学习检测癫痫发作的所有工作。

A. 癫痫数据集

数据集在开发准确、可靠的计算机辅助设计中起着重要作用。多个EEG数据集，即Freiburg [20]、CHB-MIT [21]、Kaggle [22]、Bonn [23]、 Flint-Hills [13]、Bern-Barcelona [24]、 Hauz Khas [13]、and Zenodo可用于开发自动癫痫发作检测系统。来自这些数据集的信号要么在颅内记录，要么从人类或动物的头皮记录。表一列出了每个数据集的补充信息。图4显示了在回顾性研究中，每个数据集用于检测癫痫发作的次数。可以观察到，Bonn数据集是最常用于回顾性研究的数据集。

B. 预处理

在基于深度学习的CAD系统中，EEG信号预处理通常包括三个步骤：噪声去除、归一化和深度学习网络应用的信号准备。在噪声去除步骤中，通常使用有限脉冲响应（FIR）或无限脉冲响应（IIR）滤波器来消除额外的信号噪声。然后使用各种方案（如z-score技术）执行归一化。最后，采用不同的时域、频率和时频方法来准备用于部署深度网络的信号。

C. 深度学习技术回顾

与传统的神经网络或所谓的浅层网络不同，深层神经网络是具有两个以上隐藏层的结构。最近的一些深网有上百层[16]。网络规模的增加导致网络参数数量的大幅增加，需要适当的学习方法，以及避免学习网络过拟合的措施。卷积网络使用与输入模式卷积的滤波器，而不是乘以权重向量（矩阵），这大大减少了可训练参数的数量。

此外，还建议使用其他方法帮助网络学习[26]。池化层将输入模式的大小减少到下一个卷积层。批归一化、dropout、提前停止、无监督或半监督学习以及正则化技术防止学习网络过拟合，提高学习能力和速度。AE和DBN用作无监督学习，然后进行微调，以避免对有限的标记数据进行过拟合。长短时记忆（LSTM）和门控循环单元（GRU）是能够揭示数据样本长期时间依赖性的循环神经网络。

1） 卷积神经网络（CNN）

CNN是一类最流行的深度学习网络，机器学习中的大多数研究都致力于这些网络[16]。它们最初用于图像处理应用，但最近已被用于利用生物信号诊断和预测疾病的一维和二维结构[27]。这类深度学习网络广泛用于使用EEG信号检测癫痫发作。

• 在二维卷积神经网络（2D-CNN）中，首先使用频谱图、高阶双谱和小波变换等可视化方法将一维（1D）EEG信号转换为二维，然后应用于卷积网络的输入。
• 在一维结构中，EEG信号以一维形式应用于卷积网络的输入。

在这些网络中，能够处理1D-EEG信号的2D-CNN的核心架构发生了变化。由于二维和一维卷积神经网络（1D CNN）都被用于癫痫发作检测领域，因此对它们分别进行了研究。

2D卷积神经网络

如今，深的二维网络被应用于解决广泛的计算机视觉障碍，如图像分割[28]、医学图像分类[29]和人脸识别[30]。首先，在2012年，Krizovsky等人[31]提出了这个网络来解决图像分类问题，然后迅速将类似的网络用于所有不同的任务，如医学图像分类，以努力消除以前网络的困难，解决更复杂的问题，显著增加。图5显示了用于癫痫发作检测的2D-CNN的一般形式。2D-CNN结构的应用可以说是深层神经网络最重要的结构。此外，有关可视化和预处理方法的更多信息，请参见附录A。

在一项研究[32]中，引入了SeizNet 16层卷积网络，每个卷积层后面都有额外的dropout层和批归一化（BN），其结构类似于VGG网络。[33]中的研究人员提出了一种新的2D-CNN模型，可以提取EEG信号的频谱和时间特征，并使用它们来了解癫痫发作的一般结构。左等人[34]利用16层2D-CNN和EEG信号诊断高频振荡（HFO）癫痫。[35]中提出了一种称为“SeizureNet”的深度学习框架，该框架使用具有密集连接的卷积层。Covert等人[36]提出了一种称为时态图卷积网络（TGCN）的新型深度学习模型，该模型由五种结构组成，包括14、18、22、23和26层。Bouaziz等人[37]将CHBMIT的23个通道的EEG信号分割为2秒时间窗口，然后将其转换为密度图像（空间表示），作为CNN网络的输入。

ALEXNET

斯坦福大学（Stanford University）教授李飞飞（FeiFei Li）创建了一个真实世界物体的标记图像数据集，并将她的项目命名为ImageNet[38]。ImageNet每年组织一次名为ILSVRC的计算机视觉竞赛，以解决图像分类问题。Alex Krizhevsky用他的算法AlexNet彻底改变了图像分类的世界，AlexNet赢得了2012年ImageNet挑战赛，开启了整个深度学习时代[31]。AlexNet以84.6%的前五名测试准确率赢得了比赛。Taqi等人[39]使用AlexNet网络诊断局灶性癫痫发作。该网络采用了特征提取方法，并最终将softmax层用于分类目的，实现了100%的准确率。在另一项研究中，使用了AlexNet网络[40]。他们通过Signal2Image (S2I)（S2I）模块将1D信号转换为2D图像。这项研究中使用的几种方法是信号成像、频谱图、单层1D-CNN和双层1D-CNN。

VGG

牛津大学的一个研究团队在2014年提出了Visual Geometry Group（VGG）CNN模型[41]。他们配置了各种模型，其中一款名为VGG-16的模型已提交给ILSVRC 2014竞赛。该模型被称为VCG-16，因为它由16层组成。它在图像检测和分类问题上表现出色。Ahmedt Aristizabal等人[42]使用VGG-16架构从面部图像诊断癫痫。他们提出的方法试图自动提取和分类面部状态的符号模式。记录图像后，建议的VGG架构主要由知名数据集进行训练，然后在最后几层中使用各种网络，如1D-CNN和LSTM。在[40]中，VGG网络使用一维和二维信号。为了训练模型，使用了Adam的优化器和交叉熵误差函数。他们使用的批量大小和epoch数分别为20和100。Emami等人[43]研究了在sEEG信号图上检测癫痫发作的想法。在预处理步骤中，将信号分割成不同的时间窗口，并使用小（3×3）卷积滤波器对VGG-16进行分类，以有效检测脑电信号的微小变化。该体系结构通过应用ImageNet数据集来区分1000个类进行预训练，最后两层有4096个和1000个维度向量。他们将最后两层分别修改为32维和2维，以检测癫痫和非癫痫类别。

GoogLeNet

GoogLeNet以93.3%的前五名测试准确率赢得了2014年ImageNet竞赛[44]。这个22层的网络被称为GoogLeNet，以纪念LeNet的设计者Yann Lecun。在引入谷歌网之前，有人说，通过深入研究，可以获得更好的准确性和结果。尽管如此，谷歌团队还是提出了一个名为Inception的架构，该架构通过更好的设计而不是深入实现了更好的性能。通过在同一幅图像上使用不同尺寸的滤波器，它代表了一种稳健的设计。在诊断癫痫发作的EEG信号处理领域，这种结构最近受到了研究人员的关注。Taqi等人[39]在初步研究中使用该网络诊断癫痫发作。他们的模型被用于从Bern-Barcelona数据集中提取特征，并取得了良好的效果。

ResNet

微软的ResNet以96.4%的准确率赢得了ImageNet挑战赛，它使用了一个使用ResNet模块的152层网络[45]。在这个网络中，引入了残差块，通过使用skip connection将每一层的输入复制到下一层，这些残差块能够训练深层架构。这个想法是在下一层学习一些不同的新东西。到目前为止，关于使用ResNet网络诊断癫痫的研究还不多，但在未来的日子里可能会显著增加。Bizopoulos等人[40]引入了两种ResNet和DenseNet架构来诊断癫痫发作，并取得了良好的效果。他们表明，平均70 epochs的S2I DenseNet基模型足以获得85.3%的最佳准确度。本节完成的研究总结见表二。每项研究获得的准确度比较如图6所示。

1D卷积神经网络

1D CNN本质上适用于处理生物信号，如EEG，以检测癫痫发作。这些架构呈现出更简单的结构，与CNN相比，它们的单次传递速度更快。使用2D架构，因为参数数量较少。与2D体系结构相比，1D体系结构最重要的优势在于可以采用更大尺寸的池和卷积层。除此之外，信号本质上是一维的，使用预处理方法将其转换为二维可能会导致信息丢失，但所有数据都保留在一维表示中。图7显示了用于癫痫发作检测的1D-CNN的一般形式。

[40]中的作者使用一维LeNet、AlexNet、VGGnet、ResNet和DenseNet体系结构进行了实验，本节的第一项研究是在一维空间中应用著名的二维体系结构。在[62]中，1D-CNN用于特征提取过程。研究人员[63]在另一项研究中使用了1D-CNN。在这项工作中，采用CHBMIT数据集，每个通道的信号被分割成4秒的间隔；此外，也可以使用重叠段来增加数据和准确性。[64]探讨了CNN与传统特征提取方法的结合；他们使用经验模式分解（EMD）方法进行特征提取，并使用CNN在多类分类任务中获得高精度。在[65]中，提出了一个癫痫发作诊断的综合框架，该框架将解释概率图模型（PGM）的能力与深度学习的进展结合起来。[66]中的作者提交了一个定义为CNN-BP的1D-CNN体系结构（CNN双极性支架）。在这项研究中，他们使用了卵圆孔（FO）电极和EEG表面电极联合监测的患者数据。Zhang等人[67]提出了一种基于时间卷积神经网络（TCNN）的脑电信号分类新方案。表三显示了使用1D CNN完成的相关工作的总结。图8显示了不同作者使用1D-CNN模型进行癫痫检测获得的准确率（%）。

2） 递归神经网络（RNN）

文本、信号和视频等序列数据表现出可变和长等特征，这使得它们不适合简单的深度学习方法[26]。然而，这些数据构成了世界信息的重要组成部分，因此迫切需要基于深度学习的方案来处理这些类型的数据。RNN是克服上述挑战的解决方案，广泛应用于生物医学信号处理。图9显示了用于癫痫发作检测的RNN的一般形式。在下一节中，除了综述的论文外，还将对流行的RNN块体结构进行概述。

长短时记忆(LSTM)

简单的循环神经网络的主要问题是短期记忆。RNN可能会遗漏关键信息，因为它很难将信息以长序列的方式从较早的时间步传输到下一步。RNN的另一个缺点是梯度消失问题[16]，[17]，[18]，[19]。问题的产生是因为梯度反向传播时会收缩。为了解决短期记忆问题，创建了LSTM门控[16]。信息流可以通过门进行调节。这些门可以保存必要数据的长序列，并丢弃不需要的数据。LSTM的构建模块是cell状态及其门。

在本节中，Golmohammadi等人[50]在调查中评估了两种LSTM架构，包括3层和4层，以及softmax分类器，并获得了令人满意的结果。在[74]中，三层LSTM深度网络用于特征提取和分类。该网络的最后一层是一个sigmoid分类算法，它们实现了96.82%的准确率。根据[80]中的定向实验，他们采用了两种LSTM和GRU架构。LSTM，GRU模型架构，包括一层Reshape，四层带有激活器的LSTM/GRU，以及一层带有sigmoid激活器的完全连接（FC）。在另一项研究中，Yao等人[81]实践了十种不同且改进的独立递归神经网络（IndRNN）结构，并使用31层的密集注意IndRNN（DIndRNN）实现了最佳精度。

门控循环单元(GRU)

LSTM的一个变体是GRU，它将输入门和遗忘门组合成一个更新门[16]、[17]、[18]、[19]。它合并了input gate和forget gate，还进行了一些其他修改。门控信号减少到两个：一个是reset gate，另一个是update gate。这两个门决定哪些信息需要传递到输出。在一个实验中，Chen等人[74]使用了三层GRU网络和sigmoid分类，获得了96.67%的准确率。Talathi等人开发了一种新的基于GRU的癫痫发作检测系统[82]。在所提出的技术中，在预处理步骤中，输入信号被分割成时间窗口，并从每个谱图窗口计算，然后在分类阶段应用到具有softmax FC层的4层GRU网络，并达到98%的准确率。在另一项研究中，Roy等人[83]采用了5层GRU网络和softmax分类器，取得了显著的结果。表四总结了使用RNN完成的相关工作。图10显示了不同作者使用RNN模型进行癫痫检测所获得的准确率（%）。

3） 自编码器：标准自编码器

AE是一种无监督的神经网络机器学习模型，其输入与输出相同[16]、[17]、[18]、[19]。输入被压缩为潜在空间表示，然后从该表示中获得输出。因此，在AE中，压缩和解压缩功能与神经网络耦合。AE由三部分组成，即编码器、code和解码器。自编码网络是脑信号处理中最常用的特征提取或降维方法。图11显示了用于癫痫发作检测的AE的一般形式。作为本节的第一项调查，Rajaguru等人[90]分别调查了多层自编码器（MAE）和期望最大化与主成分分析（EM-PCA）方法，以减少表示维度，然后采用遗传算法（GA）进行分类。实验表明，采用MAEs进行降维，并结合GA进行分类，平均分类准确率为93.78%。在另一项研究中，有人提议设计一个基于AEs的自动化系统，用于使用EEG信号诊断癫痫[91]。首先，利用谐波小波包变换（HWPT）将信号分解为频率子带，然后从每个子带中提取分形特征，包括盒计数（BC）、多分辨率BC（MRBC）和Katz分形维数（KFD）。

其他类型的自编码器

为了创建更稳健的表示，许多方案已应用于自编码器[26]，例如去噪AE（DAE）（试图从损坏的形式中重新创建输入）[26]、堆叠AE（SAE）（将几个自编码器堆叠在一起以更深入）[26]和稀疏自编码器（SpAE）（试图利用稀疏表示）[26]。例如，虽然这些方法也可能追求其他目标，但DAE可用于恢复损坏的输入。然而，癫痫发作检测系统的主要目标是防止自编码器的隐藏层仅仅学习identity并找到输入的更鲁棒的表示。为了从中获得最佳性能，将两种或两种以上的结构组合在一起也很常见。

本节的工作始于Golmohammadi等人[50]，他提出了各种深度网络，其中之一是叠加去噪AE（SDAE）。他们在本节中建议的体系结构由三层组成，最终结果证明了他们的方法的正确性能。邱等人[92]对预处理EEG信号执行加窗信号和z分数归一化步骤，并将预处理数据导入去噪稀疏AE（DSpAE）网络。在他们的实验中，他们取得了100%准确率的出色表现。在[93]中，提出了一种基于机器学习和大数据原理的高性能脑电自动分析系统，该系统由几个部分组成。首先利用线性预测倒谱系数（LPCC）提取信号特征，然后采用三条路径进行精确检测。第一步是使用隐马尔可夫模型（HMM）进行序列解码，第二步是基于深度学习的时间和空间上下文分析，第三步是使用概率语法。

在另一项研究中，Yan等人[94]提出了一种基于SpAE和支持向量机（SVM）的特征提取和分类方法。在该方法中，首先使用SAE对输入脑电信号进行特征提取，最后使用SVM进行分类。Yuan等人[95]提出了另一种SAE架构，名为Wave2Vec。在预处理阶段，首先对信号进行帧处理，在深度网段中，采用了带softmax的SAE，精度达到93.92%。在Yuan等人[96]的实验之后，对不同的叠加稀疏去噪AE（SSpDAE）结构进行了测试和比较。在这项工作中，特征提取由SSpDAE网络完成，最后分类由softmax完成。他们获得了93.64%的准确率。表V提供了使用AEs完成的相关工作的总结。此外，图12显示了每项调查获得的准确度比较。

4） 深度信念和玻尔兹曼网络

受限玻尔兹曼机器（RBM）是深层玻尔兹曼机器（DBM）的一种变体，是一种无向图模型[16]。不受限制的玻尔兹曼机器也可能在隐藏单元之间有连接。将RBM堆叠形成DBN；RBM是DBN的组成部分。DBN是一种无监督的概率混合生成式深度学习模型，由多层潜在变量和随机变量组成[16]，[17]。此外，DBN的一种变体被称为卷积DBN（CDBN），它可以成功地缩放高维模型，并使用附近像素的空间信息[16]，[17]。深度玻尔兹曼机器是一种概率的、生成的、无监督的深度学习模型，包含可见和多层隐藏单元[16]，[17]。Xuyen等人[106]使用DBN识别EEG数据中的癫痫峰值。他们研究中提出的架构由三个隐藏层组成，准确率为96.87%。在另一项研究中，特纳等人[107]应用DBN网络诊断癫痫，并发现了有希望的结果。关于癫痫发作DBN结构的更多信息见表六。

5） CNN-RNN

CNN-RNN结构是一种高效的深度学习网络组合，可以从EEG信号预测和诊断癫痫发作 。向RNN中添加卷积层有助于找到更自然的空间邻近模式；同时，RNN特征更适合于时间序列处理。从[50]开始作为本节的第一项工作，应用了许多预处理模式；然后，提出了一种改进的CNN-LSTM体系结构，该结构由13层组成，最后一层使用了sigmoid。最后，所提出的方法表现出了很高的能力和良好的性能。

Roy等人[51]使用不同的CNN-RNN混合结构来改进实验结果。他们的第一个网络由一个一维7层CNN-GRU卷积结构组成，第二个是一个三维（3D）CNN-GRU网络。在另一项研究中，罗伊等人[83]专注于自然和异常的大脑活动，并提出了四种不同的深度学习结构。提出的ChrononeNet模型是使用以前的模型开发的。训练和测试的准确率分别为90.60%和86.57%。

Fang等人[108]使用了Inception-V3网络。一开始，在这个网络上进行了初步训练。然后，为了微调这种架构，应用了一个名为时空GRU（ST-GRU）CNN的基于RNN的网络，他们证明了他们的方法达到了77.30%的准确率。Choi等人[109]提出了一种带有RNN模型的多尺度3D-CNN，用于检测癫痫发作。CNN模块输出用作RNN模块的输入。RNN模块由一个单侧GRU层组成，该层提取癫痫发作的时间特征，并最终使用FC层进行分类。在本节末尾，CNN-RNN研究的一般信息分别显示在表七和图13中。

6）CNN-AEs

除了查找附近的模式外，卷积层还可以减少自动编码器等结构中的参数数量。这两个原因使得它们的结合适用于许多任务，比如用于癫痫发作检测的无监督特征提取。在本节中，Yuan等人提出了一种基于CNN-AE的新方法[113]。在特征提取阶段，分别使用深度AE和2D-CNN提取监督和非监督特征。无监督特征直接从输入信号中获取，监督特征从信号的频谱图中获取。最后，利用softmax分类器进行分类，分类准确率达到94.37%。在另一项研究中，Yuan等人[114]提出了一种称为深度融合注意网络（DFAN）的方法，该方法可以从多通道EEG信号中提取通道感知表征。他们开发了一个融合注意层，利用融合门来充分整合多视图信息，动态量化每个生物医学通道的贡献。多视图卷积编码层与CNN结合，也被用于训练综合深度学习模型。表VIII提供了CNN-AE领域研究综述的一般信息，图14显示了每项研究的准确性。

3 - 基于非脑电图的癫痫发作检测

A. 医学成像方法

我们开发了各种深度学习模型，用MRI、结构MRI（sMRI）、功能MRI（fMRI）、静息状态fMRI（rs-fMRI）和PET扫描检测癫痫发作，无论有无EEG信号[118]、[119]、[120]、[121]、[122]、[123]、[124]、[125]。这些模型在疾病的自动检测和监测方面优于传统模型。然而，由于使用成像方法的性质和困难，这些模型主要用于癫痫的定位，而检测不是这些模型的主要目的。

作者[118]提出使用CNN从MRI扫描中自动定位和检测局灶性皮质发育不良（FCD）。尽管在MRI扫描分析方面取得了进展，FCD的检出率仅为50%。Gill等人[119]提出了一种基于CNN的算法，该算法具有自动检测FCD的特征学习能力。研究人员[120]基于深度学习和EEG-fMRI扫描为癫痫患者设计了DeepIED，将一般线性模型与EEG-fMRI技术相结合，以估计致痫区。Hosseini等人[121]提出了一个边缘计算自主框架，用于评估、调节和监测癫痫患者的大脑。用rs-fMRI和EEG估计致痫网络。Shiri等人[125]提出了一种仅通过CNN-AE应用发射数据对PET图像进行直接衰减校正的技术。通过Hammersmith图谱对83个大脑区域的19个放射特征进行图像量化评估。在本节末尾，表九给出了癫痫发作检测的MRI研究的一般信息。

B. 其它检测方法

Ravi Prakash等人[112]介绍了一种基于深度学习的算法，用于基于ECoG的功能映射（ECoGFM），用于雄辩的语言皮层识别。然而，与皮质电刺激标测（ESM）相比，ECoG FM的成功率较低。在另一项研究中，RosasRomero等人[126]使用fNIRS检测癫痫发作，并获得了比使用常规EEG信号更好的性能。

4 - 用于癫痫发作检测的硬件和软件

幸运的是，深度学习算法的优越性能使其对商业产品有利。 目前，深度学习领域已经开发出了各种商业产品，其中一种是深度学习应用程序和诊断癫痫发作的硬件。在第一项研究中，Hosseini等人利用AE来检测癫痫发作，开发了脑-机接口（BCI）系统。[104]。在另一项研究中，Singh等人[105]指出了一种用于癫痫发作诊断的实用产品，包括用户部分和云计算部分。Singh等人提出的拟议系统框图如图15所示。

Kiral Kornek等人[127]证明，深度学习与神经形态硬件相结合，有助于开发一种可穿戴、实时、常开、针对患者的癫痫警报系统，具有低功耗和可靠的长期性能。

5 - 讨论

预测和及时识别癫痫发作至关重要，因为它直接影响该疾病患者的生活质量，并能增强他们在生命各个阶段的信心。到目前为止，已经完成了大量研究，主要是利用计算机程序诊断癫痫发作，但尚未实施有效的软件程序或功能硬件来识别该疾病；然而，如果没有易于使用的图形界面，这些研究可能永远不会在现实世界中使用。直到几年前，这一领域的所有实验都需要传统技术，而且由于各种各样的缺陷，它们在帮助患者方面并不十分成功。正如这项研究所分析的，近年来对癫痫发作诊断的研究导致了深度学习算法的出现，人工智能和信号处理领域的专家再次保证，这些方法可以勾勒并实现具体的功能性工具。附录中的表X给出了所审查研究的更多细节。本文还展示了研究中使用的数据集类型、实现工具、预处理、深度学习网络和评估方法。

如本研究所示，各种深度学习结构用于癫痫发作检测，但没有一种结构比其他结构具有完全优势，应根据数据集和问题特征（如实时检测的需要或最低可接受精度）仔细选择最佳结构。如前所述，检测癫痫发作所获得的准确度是公平的，该领域的工作需要更多地集中于使用临床数据集和预测癫痫发作。

6 - 挑战

目前，阻碍研究人员的挑战可以总结如下：

• 首先，许多数据集只包含选定的脑电信号片段，这不适用于必须从实时信号中进行检测的实际应用，临床数据集通常不公开。
• 第二，虽然该领域的数据集数量相当多，但由于采样频率或其他参数不同，它们不容易组合，使得模型训练的总可用数据量很小。
• 最后，深度学习模型需要大量的计算资源，而这些资源不是每个人都能获得的。

研究人员需要朝着这个方向努力，用更好的模型干预癫痫发作，随时随地帮助患者。

7 - 结论和未来工作

在这篇文章中，我们对利用CNN、RNN和AEs等多种深度学习技术检测癫痫发作的研究进行了全面的综述。这项研究使用了各种筛查方法，最重要的是EEG和MRI。最后，我们研究了基于深度学习的实用和应用硬件诊断癫痫发作。非常令人鼓舞的是，未来的许多研究将集中在硬件的实际应用上，以帮助这种疾病。功能硬件也被用来提高检测策略的性能。此外，医院可以将模型放置在云中，因此手持应用程序、移动或可穿戴设备可能会配备此类模型，计算将由云服务器执行。患者也可能受益于癫痫发作的预测模型，并及时采取一些措施避免癫痫发作。在通过手持设备或可穿戴设备检测癫痫发作时，可能会向家人、亲属、相关医院和医生发出警报信息，从而及时为患者提供适当的治疗。此外，一个装有EEG电极的cap可以获取EEG信号并发送到保存在云中的模型，从而实现实时检测。此外，如果我们能够检测到发作间期（癫痫发作的早期阶段），立即进行早期治疗，患者可以立即服用药物并防止癫痫发作。最后，这一研究领域需要进行更多的研究，将不同的筛查方法结合起来，以更准确、快速地检测癫痫发作，并应用半监督和非监督方法进一步克服数据集大小的限制。

附录A