8模型混合集成实现癫痫预警：每小时1.24次误报下灵敏度达74.2%
Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting
📖 AI 总结
该研究针对癫痫发作预测中患者独立泛化能力不足与误报控制困难两大核心挑战，提出了一种基于脑电信号（EEG）的校准混合集成预测框架。该方法将五个深度学习模型与三个经典机器学习模型通过逻辑回归堆叠元学习器进行融合，并整合了信号预处理、手工特征提取、类别不平衡处理、概率校准及临床导向的后处理流程。研究在CHB-MIT数据集上采用严格的留一患者交叉验证（LOPO），阈值与后处理参数仅在留出的元数据上选取。在过滤掉发作前异常率低于1%或高于15%的患者后，模型在每小时1.24次误报下实现了74.2%的发作级灵敏度，平均预警时间为16.9分钟；在限定误报预算的测试调优条件下，灵敏度为60.9%，误报率为每小时0.951次。该工作强调了同时报告灵敏度与实际误报率的重要性，为癫痫预警系统的临床转化提供了可复现的方法参考。
🔑 关键词速览
| Hybrid Ensemble Learning | 混合集成学习，结合多种深度学习与经典机器学习模型以提升预测性能的方法。 |
| EEG | 脑电图，记录大脑电活动的信号，常用于癫痫发作检测与预测。 |
| Leave-One-Patient-Out (LOPO) | 留一患者交叉验证，一种评估患者无关泛化能力的严格交叉验证策略。 |
| False Alarm Rate | 误报率，单位时间内错误预警的次数，是癫痫预测系统临床可用性的关键指标。 |
| Probability Calibration | 概率校准，调整模型输出的预测概率使其更接近真实事件发生频率的技术。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅