The automatic seizure detection system can effectively help doctors to monitor and diagnose epilepsy thus reducing their workload. Many outstanding studies have given good results in the two-class seizure detection problems, but most of them are based on hand-wrought feature extraction. This study proposes an end-to-end automatic seizure detection system based on deep learning, which does not require heavy preprocessing on the EEG data or feature engineering. The fully convolutional network with three convolution blocks is first used to learn the expressive seizure characteristics from EEG data. Then these robust EEG features pertinent to seizures are presented as an input to the Nested Long Short-Term Memory (NLSTM) model to explore the inherent temporal dependencies in EEG signals. Lastly, the high-level features obtained from the NLSTM model are fed into the softmax layer to output predicted labels. The proposed method yields an accuracy range of 98.44–100% in 10 different experiments based on the Bonn University database. A larger EEG database is then used to evaluate the performance of the proposed method in real-life situations. The average sensitivity of 97.47%, specificity of 96.17%, and false detection rate of 0.487 per hour are yielded. For CHB–MIT Scalp EEG database, the proposed model also achieves a segment-level sensitivity of 94.07% with a false detection rate of 0.66 per hour. The excellent results obtained on three different EEG databases demonstrate that the proposed method has good robustness and generalization power under ideal and real-life conditions.

中文翻译：

---

使用完全卷积嵌套 LSTM 的自动癫痫检测

癫痫发作自动检测系统可以有效帮助医生监测和诊断癫痫，从而减轻他们的工作量。许多优秀的研究在二类癫痫检测问题上取得了很好的效果，但大多数都是基于手工特征提取。本研究提出了一种基于深度学习的端到端自动癫痫检测系统，不需要对脑电数据或特征工程进行大量预处理。具有三个卷积块的全卷积网络首先用于从 EEG 数据中学习表达性癫痫发作特征。然后将这些与癫痫发作相关的强大 EEG 特征作为嵌套长短期记忆 (NLSTM) 模型的输入，以探索 EEG 信号中固有的时间依赖性。最后，从 NLSTM 模型获得的高级特征被输入到 softmax 层以输出预测标签。基于波恩大学数据库，所提出的方法在 10 个不同的实验中产生了 98.44-100% 的准确度范围。然后使用更大的 EEG 数据库来评估所提出的方法在现实生活中的性能。平均灵敏度为 97.47%，特异性为 96.17%，误检率为 0.487/小时。对于 CHB-MIT Scalp EEG 数据库，所提出的模型还实现了 94.07% 的段级灵敏度，误检率为 0.66/小时。在三个不同的 EEG 数据库上获得的出色结果表明，所提出的方法在理想和现实生活条件下具有良好的鲁棒性和泛化能力。基于波恩大学数据库，所提出的方法在 10 个不同的实验中产生了 98.44-100% 的准确度范围。然后使用更大的 EEG 数据库来评估所提出的方法在现实生活中的性能。平均灵敏度为 97.47%，特异性为 96.17%，误检率为 0.487/小时。对于 CHB-MIT Scalp EEG 数据库，所提出的模型还实现了 94.07% 的段级灵敏度，误检率为 0.66/小时。在三个不同的 EEG 数据库上获得的出色结果表明，所提出的方法在理想和现实生活条件下具有良好的鲁棒性和泛化能力。基于波恩大学数据库，所提出的方法在 10 个不同的实验中产生了 98.44-100% 的准确度范围。然后使用更大的 EEG 数据库来评估所提出的方法在现实生活中的性能。平均灵敏度为 97.47%，特异性为 96.17%，误检率为 0.487/小时。对于 CHB-MIT Scalp EEG 数据库，所提出的模型还实现了 94.07% 的段级灵敏度，误检率为 0.66/小时。在三个不同的脑电图数据库上获得的优异结果表明，所提出的方法在理想和现实条件下具有良好的鲁棒性和泛化能力。然后使用更大的 EEG 数据库来评估所提出的方法在现实生活中的性能。平均灵敏度为 97.47%，特异性为 96.17%，误检率为 0.487/小时。对于 CHB-MIT Scalp EEG 数据库，所提出的模型还实现了 94.07% 的段级灵敏度，误检率为 0.66/小时。在三个不同的 EEG 数据库上获得的出色结果表明，所提出的方法在理想和现实生活条件下具有良好的鲁棒性和泛化能力。然后使用更大的 EEG 数据库来评估所提出的方法在现实生活中的性能。平均灵敏度为 97.47%，特异性为 96.17%，误检率为 0.487/小时。对于 CHB-MIT Scalp EEG 数据库，所提出的模型还实现了 94.07% 的段级灵敏度，误检率为 0.66/小时。在三个不同的脑电图数据库上获得的优异结果表明，所提出的方法在理想和现实条件下具有良好的鲁棒性和泛化能力。07%，误检率为每小时 0.66。在三个不同的脑电图数据库上获得的优异结果表明，所提出的方法在理想和现实条件下具有良好的鲁棒性和泛化能力。07%，误检率为每小时 0.66。在三个不同的脑电图数据库上获得的优异结果表明，所提出的方法在理想和现实条件下具有良好的鲁棒性和泛化能力。