癫痫症作为一种脑科疾病,神经科医生需要实时监控患者脑电状态来实现癫痫发作预测。人工方法不仅耗时,且受医生专业水平限制。因此使用计算机辅助诊断实现癫痫自动发作检测十分重要。但传统方法利用的数据局限于脑电信号本身的时间特征和频率特征而忽略了隐含的空间特征;同时,不平衡的脑电数据集对跨患者癫痫发作预测模型的性能造成不利的影响。本文通过深度集成网络实现对脑电信号多种特征的自动提取,并使用生成式对抗网络对脑电数据进行合理扩增。围绕构建癫痫发作患者特异性预测模型和跨患者预测模型开展了以下工作:本文提出多特征深度集成网络分类模型实现对脑电信号多种特征的自动提取。首先通过空间投影将一维脑电信号转化为图像数据,实现了将隐性空间信息显式写入数据中,为利用脑电数据中的空间信息提供条件。其次使用两个异构网络纵向集成的特征提取器对脑电信号进行提取。即通过加入并行卷积和抗锯齿滤波器的卷积特征提取器对脑电信号中的空域和频域特征进行提取;通过使用双向长短期记忆网络对脑电信号片段中的时域特征进行挖掘。最后使用全连接层对提取到的综合特征进行分类。通过在CHBMIT数据集上进行对比实验,多特征深度集成分类模型在患者特异性癫痫发作检测上取得优秀的性能,表明模型可对脑电数据的多种特征进行自动分析提取,实现癫痫发作的有效预测。本文提出生成式多特征深度集成模型解决在不平衡数据集上难以拟合跨患者癫痫发作预测模型的问题。针对相同状态的脑电信号在不同病例上存在差异性,容易导致生成器在训练时出现损失波动过大、不易拟合真实分布的问题。通过使用改进后的Wasserstein距离代替KL散度对生成器进行训练,使生成器参数更新速度与模型损失的变化率自动匹配,在提高网络收敛性的同时增加生成器的可靠性。实验结果显示,所提出的算法在跨患者癫痫预测分类模型上达到优秀的性能。表明生成式多特征深度集成模型能够缓解脑电数据样本不平衡对分类模型性能的影响。