近日，数理医学院李刚团队及孙煜教授等人合作在工程技术领域权威期刊IEEE Transactions on Instrumentation and Measurement上发表题为“A Novel End-to-End Multi-Source Data Adaptive Framework for Epileptic Seizure Detection”的学术论文，有力推进了生物医学信号与人工智能交叉领域在癫痫自动检测领域的前沿性研究。浙江师范大学研究生陈贵斌（2025年6月已毕业，现为东南大学生物医学工程专业在读博士生）为第一作者，数理医学院副教授李刚和客座教授孙煜为共同通讯作者。

癫痫是一种由大脑神经元异常放电引起的慢性神经系统障碍疾病，导致意识、行为、感觉或运动突然异常。癫痫发作可能会导致患者的精神和认知功能受到长期的负面影响，还经常面临心理和社会歧视，严重影响患者的生活，且其过早死亡率是普通人群的两到三倍。因此癫痫发作检测成为重要的研究方向。脑电图被评估为检测癫痫发作的黄金工具之一，且癫痫发作会在脑电图上产生明显异常。在当前的癫痫研究中，现有多数方法基于单一数据集开发，泛化能力有限，导致在多中心临床环境中鲁棒性不足。为此，本研究提出一种多源数据自适应（MSDA）癫痫发作检测框架，由多尺度残差与多维特征增强网络（MSR-MDFENet）与患者自适应迁移学习（PATL）策略结合组成。

图1. MSR-MDFENet架构图，由特征提取模块、特征增强模块和分类器模块组成。该图中的数据输入格式以CHB-MIT数据集为例为(1, 18, 1280)，而JHCH和JHMCHH数据集的输入格式为(1, 12, 1280)。该模型能够自动适应电极数量的变化。

图2. PATL策略架构图。其中FT代表微调。

实验在三组配置不同的数据集（即设备型号、患者数量、脑电图通道数等）进行评估：公开数据集CHB-MIT以及两个新收集的本地数据集JHCH（金华市中心医院采集）和JHMCHH（金华市妇幼保健院采集）。首先在各数据集上采用MSR-MDFENet配合Leave One Subject Out验证策略进行跨患者癫痫检测，其性能显著优于近期基准模型。进一步整合PATL策略形成MSDA框架后，三个数据集的检测准确率分别提升16.17%、6.71%和11.28%，分别达到97.59 ± 3.56%、96.74 ± 3.77%和96.52 ± 5.90%。此外，当MSDA框架基于CHB-MIT数据集训练时，在JHCH（95.43 ± 4.52%）和JHMCHH（94.77 ± 5.97%）数据集上也获得了令人满意的检测准确率，这充分证明了MSDA框架在跨患者/设备/数据集层面的泛化能力。综上所述，所提出的MSDA框架凭借其卓越的泛化能力与性能表现，为多中心癫痫发作检测提供了高效实用的解决方案。

图3. 在CHB-MIT数据集上对跨患者癫痫发作检测的LOO和PATL-LOO交叉验证策略的比较。包括小提琴图、箱线图和散点图，用白点表示均值，用黑数字表示。**表示P<0.01的统计学显著差异，***表示P<0.001。

图4. 从CHB-MIT到JHCH数据集进行跨患者/设备/数据集的癫痫发作检测结果。

图5. 从CHB-MIT到JHMCHH数据集进行跨患者/设备/数据集的癫痫发作检测结果。