基于可解释深度学习框架的儿科脑电癫痫检测：提升的准确率与性能分析及其致病灶推断价值

　　本综述推荐一篇创新性研究，该研究提出两种可解释深度学习模型（SE-FCN和TransNet），用于儿科脑电（EEG）癫痫检测，通过全卷积网络与Transformer架构融合，显著提升时空特征提取能力与模型可解释性（AUC最高达0.92），并利用通道显著性热图推断致病灶，为临床提供可靠的决策支持。

　　

Highlight

本研究提出两种可解释深度学习模型：融合压缩激励模块的全卷积网络（SE-FCN）和基于Transformer的架构（TransNet），用于提升癫痫检测的准确性与可解释性。SE-FCN通过上采样和逐层解码将高层特征映射回电极空间，SE模块自适应重新校准通道间重要性；TransNet则利用通道与时间双自注意力机制捕捉全局依赖关系。两者均能输出通道显著性权重，生成热图以推断潜在致病区。

Convolutional neural networks for seizure detection

卷积神经网络（CNN）凭借其学习多维信号特征的强大能力，在癫痫检测领域被广泛应用。CNN通过分层卷积滤波器捕获原始脑电信号中的时间动态、空间关联和频率模式，尤其适用于处理癫痫放电特有的多尺度复杂模式。

EEG data

研究采用CHB-MIT数据库——一个长期连续多通道脑电数据库，包含22名药物难治性癫痫儿科患者的记录。所有数据采样率为256 Hz，共有1-23个通道，经滤波和分段处理后用于模型训练与验证。

Experimental evaluation and comparison

SE-FCN与TransNet在CHB-MIT数据集上进行评估，并与EEGNET、Wei-CNN、CNN-LSTM等基线模型对比。性能指标包括灵敏度（SEN）、特异性（SPE）、准确率（ACC）和受试者工作特征曲线下面积（AUC）。SE-FCN的AUC达0.89，准确率为86.7%；TransNet的AUC为0.92，准确率为86.4%。两者均显著优于基线模型。

Interpretability analysis

可解释性在医疗深度学习应用中至关重要。SE-FCN与TransNet能自动分配不同通道的注意力权重，量化各通道贡献并据此推断致病区。可视化分析显示，不同患者组根据显著性分布的一致性可初步分为五类，与临床推断高度吻合。

Conclusion

本研究提出了两种可解释癫痫检测模型，并通过跨被试和跨模型验证提升结果的可靠性与临床相关性。SE-FCN通过空间局部化与通道重标定实现高效特征提取；TransNet则利用自注意力机制建模长程依赖。两者在性能与可解释性方面均表现优异，为未来多模态融合与临床转化奠定基础。