【读文献】A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Predict_contrastive learning for epileptic seizure predict-优快云博客

本文链接：https://blog.youkuaiyun.com/double_double_/article/details/130254713

中山大学医学院周毅教授团队研发了一种基于同步时空图注意力网络（STGAT）的癫痫发作预测模型，该模型结合了脑电图的时空信息和同步性，通过GAT和GRU层提取特征，提高了预测准确性，在CHB-MIT和私有数据集上表现出高精度，有望应用于临床辅助决策系统。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Prediction

中山大学医学院
学院报道：https://zssom.sysu.edu.cn/zh-hans/article/9940
癫痫发作涉及到大脑皮层的不同区域，导致不同电极之间的相互影响。这种影响随发作过程动态变化。准确的癫痫发作早期预测可以为患者及时治疗提供支撑。该领域以往研究主要集中在单一时间或空间维度上，难以兼顾两者关系，无法较好挖掘脑电图的有效特性。
近日，我院周毅教授团队在IEEE Journal of Biomedical and Health Informatics上发表题为“A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Prediction”的封面文章。研究团队考虑到脑电隐含的功能连接信息，结合脑电时序关联程度及多通道空间拓扑结构信息，提出基于同步时空图注意力网络（STGAT）模型。该模型利用锁相值作为衡量脑电同步性指标，分析癫痫发作过程中大脑各区域相互作用，提取脑电图通道间隐含的空间及功能连接信息，将多通道脑电信号建模为图信号，可以获取真实、可识别的脑电图信号的同步性关系。模型结合图注意力网络（GAT）与门循环单元（GRU），挖掘多通道电极之间的空间关系