Real-Time Epileptic Seizure Detection from Raw EEG Using Classical Machine Learning and Time-Domain Features
⭐ 6.9/10Machine Learning and Knowledge Extraction. 2026.
Edgar H. Ayala-Britez, Lucas Frutos, Diego P. Pinto-Roa, et al.
分流：D_方法借鉴来源：nature-literature-pipeline
💡 一句话
系统评估 25 个较少使用、其中 13 个前所未有的时域特征，用经典 ML 在患者级划分下做实时发作检测，强调可解释性与低算力部署。
📖 背景
深度学习检测精度高，但可解释性弱、算力需求大，难以在资源受限的实时临床环境部署；经典 ML 研究又集中在少数已知时域特征上，特征空间未被系统探索。
🔬 方法
系统引入并评估 25 个较少探索的时域特征（13 个在头皮 EEG 发作检测中无先例），对比 25 个经典特征及 50 维组合；用 CHB-MIT 原始未滤波信号切分为 10 秒窗，7 种经典分类器经 GridSearchCV 优化，采用患者级 StratifiedGroupKFold 划分（训练/测试集无同患者）。
📊 关键结果
· 50 维特征组合的多层感知机（MLP）最佳：精度 86.59%、F1 86.35% · 相比单独经典特征提升 5.1 个百分点，体现新特征的贡献 · 患者级划分保证评估的临床真实性，避免数据泄漏
🎯 意义与展望
用可解释的经典 ML + 患者级交叉验证给出可信的实时检测基线，工程落地门槛低。局限在于总体精度低于深度学习、且为单数据集；「特征工程 + 可解释 + 实时」的思路对临床部署有实际价值。
🧭 点评
D 类，可借鉴其特征工程与评估规范。亮点是患者级划分的诚实评估与 13 个新时域特征；可作发作检测课题的低算力/可解释基线对照，创新性有限，无需精读全文。