近年来，人工智能（AI），特别是注意力机制，而非传统的深度学习（DL）或机器学习（ML），在多个医学领域显示出重要适用性。本文将焦点从一般脑成像技术转向 AI 在癫痫诊断领域的影响，专门针对脑电图（EEG）数据展开研究。早期研究主要集中于使用 EEG 记录自动识别和预测癫痫发作，而新兴研究则探索 AI 技术增强 EEG 数据分析的潜力。本系统综述提供全面概述，首先对人工神经网络（ANNs）和注意力机制进行简要理论阐述，随后探讨 AI 在癫痫 EEG 分析中的应用，涵盖诊断、侧化、自动病变检测、术前评估和术后结果预测等方面。讨论不仅强调 AI 在优化临床实践中的前景，还强调其在将癫痫视为网络疾病的情况下定制个性化治疗的潜力。本文最后讨论了 AI 在癫痫研究中应用的局限性、挑战，并提出未来方向。在承认这种方法变革潜力的同时，强调需要更多的多中心合作来收集高质量数据，并确保开发的代码和工具的开放可访问性。此外，人工智能模型在计算机辅助诊断（CAD）中的应用在提高癫痫和癫痫发作诊断的准确性和效率方面显示出显著前景。先进技术的整合有助于开发强大的临床决策工具，并强调了 AI 驱动解决方案在神经医疗保健中的潜力。

癫痫是一种以脑电活动异常为特征的非传染性神经系统疾病，需要及时识别以避免严重的心理健康问题甚至死亡。全球有超过 5000 万人受其影响，癫痫仍然是一个紧迫的全球健康问题。遗憾的是，近 75% 的癫痫患者未能及时接受治疗，因此，癫痫发作（ES）的早期识别和检测对于有效控制疾病进展至关重要。癫痫源于大脑中不规则且不可预测的电活动模式。意外发作表现为抽搐、意识丧失和持续性头痛，对运动功能构成风险，在极端情况下甚至危及生命。近年来，一系列脑成像技术引起了医学专业人员对癫痫诊断的关注，以阐明人类大脑复杂的结构和功能架构。它们在帮助医学专业人员进行癫痫诊断方面发挥着至关重要的作用，包括识别癫痫发作起始区、确定异常脑活动、检测结构异常和量化脑功能。在非侵入性神经监测方式中，脑电图（EEG）因其毫秒级的时间分辨率、经济高效的操作以及移动性特点，成为最适合临床环境进行连续癫痫发作监测的选择。通过 EEG 对脑电活动的即时检查优于其他主要检测缓慢血液动力学变化的方法，因为该技术可即时获取发作期动态。应用于 EEG 信号的 AI 分析为癫痫发作的实时检测、个性化干预以及预测提供了一种实用方法，这也是本系统综述围绕这些目标展开的根本原因。

图 1 通过对数尺度绘制的空间分辨率（mm）和时间分辨率（ms），清晰比较了癫痫研究中使用的七种神经成像技术。EEG 作为测量快速脑电事件的最佳神经科学工具脱颖而出，因为它能检测到分辨率低于 10 毫秒的脑信号，同时提供约 10 毫米的空间分辨率。该研究讨论了有创方法如皮层脑电图（ECoG）和微电极阵列（MEA）以及无创技术如功能磁共振成像（fMRI）和近红外光谱（NIRS），以了解 EEG 的临床实用性。EEG 的独特优势在于其卓越的时间分辨率，能够以毫秒为单位精细跟踪神经事件。不同类型的 EEG 记录满足一系列研究目标。在临床应用中，常规 EEG 捕捉自发性脑活动，有助于诊断癫痫等疾病。定量 EEG（qEEG）采用先进的信号处理技术来分析 EEG 信号的频率和幅度特征，增强对脑动态的理解。研究表明，qEEG 在治疗和研究领域有多种应用，广泛用于临床诊断，尤其是在癫痫和注意缺陷多动障碍（ADHD）等神经和精神疾病中。在治疗环境中，qEEG 在神经反馈治疗中起着至关重要的作用，帮助个体进行自我调节并管理焦虑、失眠、精神分裂症和复发性偏头痛等疾病。事件相关电位（ERPs）侧重于由刺激或任务触发的特定神经反应，揭示认知功能的复杂性。高密度 EEG（HD-EEG）通过在头皮上密集排列电极超越传统 EEG，为源定位提供 superior 空间分辨率，也称为头皮 EEG（scEEG）。颅内脑电图（iEEG）是一种神经成像技术，属于皮质内（iCor）程序的子集，涉及将电极直接插入大脑以记录电活动。它提供高空间和时间分辨率，对异常脑活动的精确定位很有价值。iEEG 常用于临床环境，特别是在评估和定位 ES、癫痫病例的术前规划以及研究特定脑区域方面。尽管 iEEG 有效，但其有创性使其仅局限于临床和研究环境，在这些环境中，其在精确定位和了解脑功能方面的优势至关重要。其中，脑电图（EEG）是一种广泛使用的方法，可在癫痫发作期间对脑电活动进行敏感而精确的评估。随着移动 EEG 和先进计算方法等创新的发展，EEG 在解读人类大脑复杂性方面的首要作用仍然无与伦比。在最近的研究中，基于人工智能（AI）的方法，特别是机器学习（ML）、深度学习（DL）和注意力机制，已成为处理和分析 EEG 信号的极有前途的工具。它们具有预测、推理和从过去经验中学习的显著能力，并精通模式识别。这些先进算法在治疗环境中作为医疗专业人员的宝贵辅助工具具有巨大潜力。这些进展凸显了 AI 算法对基于 EEG 的应用的变革性影响，将其定位为临床医生追求优化患者护理和治疗结果的宝贵资产。在常规 EEG 记录中，各种类型的噪声、干扰和伪影会影响所获取信号的质量。噪声是指记录环境中存在的或在信号采集过程中引入的随机电波动，可能掩盖真正的脑活动。干扰可能来自外部来源，如电干扰、肌肉活动或眼球运动，用无关信号污染 EEG。另一方面，伪影包括任何非源自脑电活动的不需要的信号，包括由电极接触问题、运动伪影或与神经过程无关的生理信号引起的信号。由于心脏靠近大脑，心电图干扰（ECG 噪声）是 EEG 记录中的常见挑战。心脏产生的电活动可能被 EEG 电极无意中检测到，导致 EEG 信号被心脏相关伪影污染。ECG 噪声通常在 EEG 描记图上表现为尖锐、有节奏的尖峰，对应于心动周期的 P 波、QRS 波群和 T 波。这种干扰会掩盖微妙的脑活动，并使 EEG 数据的解释复杂化。此外，电源线噪声是 EEG 记录中另一个常见的干扰源。这种类型的噪声由电源系统引起，在 EEG 信号中表现为与电网频率（50Hz 或 60Hz，具体取决于地区）一致的有节奏波动。电源线噪声可通过直接电耦合引入，其中 EEG 记录设备或电极充当天线，拾取附近电源线产生的电磁场。图 2 描绘了一名成年癫痫患者的常规噪声 EEG 信号。该信号描绘了以 EEG 描记图中突然出现的高振幅尖峰为特征的癫痫活动。此外，以较小振幅和不规则模式波动为代表的常规噪声覆盖了基础 EEG 信号，模拟了 EEG 记录期间遇到的典型环境干扰。该图强调了在临床环境中为准确诊断和监测而在背景噪声中分离癫痫模式的挑战。

图 2 所示的 EEG 模式提供了癫痫监测期间三个主要问题的示例：高尖峰振幅（红色箭头）以及肌肉伪影（蓝色阴影）和电源干扰效应（虚线）。该图显示了来自锡耶纳数据库的实际患者数据，该数据在 0.5 至 70Hz 之间滤波后以 256Hz 采样。根据注释，这些噪声源使得难以检测到颞叶癫痫特有的 P3-P4 癫痫样放电。基于上述几点，为了有效抑制 EEG 噪声，综合策略包括将 AI 技术与信号处理方法（尤其是数字滤波器）相结合。包括 ML 模型在内的 AI 算法可以学习识别和消除 EEG 信号中的常见伪影。同时，数字滤波器，如用于电源线噪声的陷波滤波器和用于特定频率范围的带通滤波器，可以应用于 EEG 数据，以选择性地衰减不需要的成分，同时保留相关的神经活动。AI 驱动的伪影识别与数字滤波器之间的协同作用提高了 EEG 记录中降噪的精度，有助于临床和研究环境中对脑信号进行更准确和可靠的分析。研究表明，scEEG 广泛用于癫痫发作分析，这归功于其便携性、成本效益和可靠的性能。

该研究调查了用于从 EEG 信息中识别和预测癫痫发作的 AI 方法，同时通过方法学发展检验其临床实用性。本综述仅关注癫痫研究中用于癫痫发作 EEG 分析的 AI 应用，而非涵盖癫痫中的所有 AI 用途。综述特别重视可用数据集和预处理方法，因为它们决定了分析模型的性能。最流行的...

我们对 2014 年 1 月至 2025 年 3 月期间在 PubMed 和 Google Scholar 上发表的文章进行了全面综述。搜索使用了各种术语，包括 “Epilepsy”、“Seizure”、“Artificial Intelligence”、“Deep Learning”、“Machine Learning”、“Transfer Learning”、“Transformer”、“EEG”、“Pattern Recognition” 和 “Signal Processing”。纳入标准包括使用 EEG 数据进行 ML 和 DL 模型临床应用的原创英文文章，不包括综述、信件、病例...

尽管已经取得了显著进展，但通过 AI 检测癫痫仍然面临多个关键障碍。主要问题源于患者之间不同的 EEG 模式，这为模型在不同群体中的应用带来了障碍。伪影的存在以及肌肉活动和运动引起的噪声是降低检测准确性的主要因素。为了成功进行实时癫痫发作预测，高效的特征提取...

AI 驱动的方法显示出良好的癫痫检测能力，但其临床应用需要对多个现有问题进行根本改进。由于需要大量标记的 EEG 数据，手动 EEG 注释需要大量时间。不同数据集之间的模型迁移有效性是一个根本问题，因为在一个数据集上训练并不能确保在新数据集中的有效性能。基于 AI 的癫痫检测系统在医院中的实施...

Zahra Sedaghat：写作 - 评审与编辑、验证、监督、项目管理。Seyyed Ali Zendehbad：写作 - 原始草案、可视化、方法学。Athena Sharifi Razavi：写作 - 评审与编辑、验证、项目管理。Nasim Tabrizi：验证、项目管理、方法学、调查。

在撰写本作品期间，作者使用 Grammarly 来提高手稿的语言质量。使用该工具 / 服务后，作者根据需要对内容进行了审查和编辑，并对出版物的内容承担全部责任。

作者声明没有利益冲突或竞争利益。

感谢伊朗萨里马赞达兰医科大学医学院 Bou Ali Sina 医院神经科的协助和指导。