Deep Learning Models In The Early Brediction Of Epileptic Seizures
محتوى المقالة الرئيسي
الملخص
ملخص
لا يزال التنبؤ المبكر بنوبات الصرع يمثل تحديًا في علم الأعصاب السريري نظرًا لعدم القدرة على التنبؤ بالنوبات وما تنطوي عليه من مخاطر نفسية وجسدية على المريض. يُمكن استخدام تخطيط كهربية الدماغ (EEG) كأداة مهمة لأنظمة الإنذار المبكر بالنوبات بهدف تحسين جودة حياة المريض. لذا، تُقارن هذه الورقة البحثية وتقيّم أداء عدة نماذج للتعلم العميق للتنبؤ بالنوبات قبل 15 دقيقة باستخدام بيانات تخطيط كهربية الدماغ. ولتحقيق هذه الغاية، تم اتباع بروتوكول تجريبي موحد لضمان المقارنة بين النماذج: LSTM، وBiLSTM، وشبكة الرسم البياني العصبية، وTransformer. تم تقييم النماذج بناءً على قاعدة بيانات CHB-MIT التي تضم تسجيلات طويلة الأمد من 24 مريضًا. خضعت كل إشارة لخطوات معالجة مسبقة مختلفة مثل الترشيح والتطبيع وتقسيم النافذة الزمنية. بعد ذلك، تم استخراج مجموعة فردية من الميزات، مع موازنة البيانات بين فئتي ما قبل النوبة والنوبة. دُرست النماذج بناءً على مقاييس متنوعة مثل الدقة والنوعية وقابلية التكرار ومعامل F1 والمساحة تحت المنحنى. لذا، تُظهر نتائج نماذج التعلم العميق المستخدمة أداءً متقاربًا. فقد أظهر نموذجا LSTM وBiLSTM دقة عالية في الحالات الإيجابية، بمعدل استرجاع بلغ 0.99. أما نموذج Transformer، فقد حقق أعلى دقة بلغت 0.95 وأعلى خصوصية بلغت 0.76. في حين أظهر نموذج الشبكة العصبية البيانية (GNN) أداءً مماثلاً للنماذج الأخرى، بأداء تنافسي ولكنه لم يتفوق عليها جميعًا. وقد مكّن استخدام الذكاء الاصطناعي القابل للتفسير (XAI) من تقييم أهمية المراحل الزمنية والخصائص في كلٍ من أداء النموذج وقراراته. وبناءً على ذلك، تؤكد النتائج أن نموذج Transformer يتمتع بقدرة عالية على التنبؤ المبكر بالنوبات، وبالتالي، فهو مفيد في تطوير أنظمة إنذار مبكر موثوقة لمرضى الصرع.
تفاصيل المقالة
القسم
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
T. Kaur et al., “Artificial Intelligence in Epilepsy, ” May 01, 2021, Wolters Kluwer Medknow
Publications. doi: 10.4103/0028-3886.317233.
A. Esmaeilpour, S. S. Tabarestani, and A. Niazi, “Deep learning-based seizure prediction using EEG signals: A comparative analysis of classification methods on the CHB-MIT dataset,” Eng. Reports, vol. 6, no. 11, Nov. 2024, doi: 10.1002/eng2.12918.
Y. Huang et al., “Early Prediction of Refractory Epilepsy in Children Under Artificial Intelligence Neural Network,” Front. Neurorobot., vol. 15, Jun. 2021, doi: 10.3389/fnbot.2021.690220.
X. Lu, A. Wen, L. Sun, H. Wang, Y. Guo, and Y. Ren, “An Epileptic Seizure Prediction Method Based on CBAM-3D CNN-LSTM Model,” IEEE J. Transl. Eng. Heal. Med., vol. 11, pp. 417–423, 2023, doi: 10.1109/JTEHM.2023.3290036.
H. K. Ibrahim, N. Rokbani, A. Wali, and A. M. Alimi, “Deep Networks for Medical Images Classification, a Comparative Study,” 2024 IEEE Int. Conf. Artif. Intell. Green Energy, ICAIGE 2024, 2024, doi: 10.1109/ICAIGE62696.2024.10776632.
W. Zhao et al., “Residual and bidirectional LSTM for epileptic seizure detection,” Front. Comput. Neurosci. , vol. 18, 2024, doi: 10.3389/fncom.2024.1415967.
A. Bajaj and V. Sharma, “EEG-Based Epileptic Seizure Prediction Using Variants of the Long Short Term Memory Algorithm,” 2025.
A. Alasiry, G. A. Sampedro, A. Almadhor, R. A. Juanatas, S. Alsubai, and V. Karovic, “Epileptic seizures diagnosis and prognosis from EEG signals using heterogeneous graph neural network,” PeerJ Comput. Sci., vol. 11, 2025, doi: 10.7717/peerj-cs.2765.
R. Hussein, S. Lee, and R. Ward, “Multi-Channel Vision Transformer for Epileptic Seizure Prediction,” Biomedicines, vol. 10, no. 7, Jul. 2022, doi: 10.3390/biomedicines10071551.
P. Kunekar, M. K. Gupta, and P. Gaur, “Detection of epileptic seizure in EEG signals using machine learning and deep learning techniques,” J. Eng. Appl. Sci., vol. 71, no. 1, Dec. 2024, doi: 10.1186/s44147-023-00353-y.
A. Omar and T. Abd El-Hafeez, “Optimizing epileptic seizure recognition performance with feature scaling and dropout layers,” Neural Comput. Appl., vol. 36, no. 6, pp. 2835–2852, Feb. 2024, doi: 10.1007/s00521-023-09204-6.
A. Rahmani, A. Venkitaraman, and P. Frossard, “A Meta-GNN approach to personalized seizure detection and classification,” Mar. 2023, [Online]. Available: http://arxiv.org/abs/2211.02642
M. H. Aslam et al., “Classification of EEG Signals for Prediction of Epileptic Seizures,” Appl. Sci., vol. 12, no. 14, 2022, doi: 10.3390/app12147251.
I. Jemal, N. Mezghani, L. Abou-Abbas, and A. Mitiche, “An Interpretable Deep Learning Classifier for Epileptic Seizure Prediction Using EEG Data,” IEEE Access, vol. 10, pp. 60141–60150, 2022, doi: 10.1109/ACCESS.2022.3176367.
X. Liu et al., “Epileptic seizure prediction based on EEG using pseudo-three-dimensional CNN,” Front. Neuroinform., vol. 18, 2024, doi: 10.3389/fninf.2024.1354436.
Z. Wang, L. Shi, H. Wu, J. Luo, X. Kong, and J. Qi, “DistilCLIP-EEG: Enhancing Epileptic Seizure Detection Through Multi-modal Learning and Knowledge Distillation,” Oct. 2025, doi: 10.1109/JBHI.2025.3603022.
B. Jaishankar, A. M. Ashwini, D. Vidyabharathi, and L. Raja, “A novel epilepsy seizure prediction model using deep learning and classification,” Healthc. Anal., vol. 4, Dec. 2023, doi: 10.1016/j.health.2023.100222.
J. D. Chambers, M. J. Cook, A. N. Burkitt, and D. B. Grayden, “Using Long Short-Term Memory (LSTM) recurrent neural networks to classify unprocessed EEG for seizure prediction,” Front. Neurosci., vol. 18, 2024, doi: 10.3389/fnins.2024.1472747.