癫痫发作智能检测
（1）脑电眨眼伪迹检测算法研究
脑电眨眼伪迹检测是脑电分析与信号处理中至关重要的环节，为了实现准确有效的眨眼检测，本项目先后研究了基于多通道多维特征优化的眨眼伪迹检测算法和基于VME的眨眼伪迹检测算法，有效提高了眨眼伪迹检测的精度。
成果：相关研究成果发表于SCI国际期刊IEEE Transactions on Neural Systems and Rehabilitation Engineering。
（2）脑电信号棘波检测算法研究
为辅助医生进行癫痫的临床诊疗，本项目针对目前棘波检测算法无法有效检测出波幅较小的棘波的情况，先后研究了基于长短时记忆神经网络的棘波检测算法和基于卷积神经网络与典型相关分析的棘波检测算法，并分别取得了92.04%/98.72%灵敏度，85.75%/84.69%精确率以及88.54%/91.17%的F1得分。
成果：相关研究成果发表于SCI国际期刊IEEE Transactions on Neural Systems and Rehabilitation Engineering和IEEE Transactions on Circuits and Systems II：Express Briefs。
（3）儿童局灶性癫痫分期检测
面对儿童局灶性癫痫的分期检测在临床实践中的诸多难点，本项目研究基于卷积自编码器和通道相关性特征的检测模型，可达到可达93.78%的检测准确率。
成果：相关研究成果荣获International Conference on Cognitive Systems and Information Processing(ICCSIP) 2020最佳论文奖。
(4)基于迁移学习的癫痫发作检测
考虑到不同癫痫患者脑电图的个体差异性，本项目研究基于脑电图癫痫发作识别的跨主题迁移学习框架，利用来自多个主题（源域）的有用信息来提高单个主题（目标域）的分类性能。
（5）基于视频和脑电的癫痫发作智能检测
针对脑电图信号获取不便的问题，本项目融合视频和脑电图，研究基于多模态信号的癫痫发作智能检测，并取得了98.33%的整体准确率。
成果：相关研究成果荣获International Conference on Cognitive Systems and Information Processing(ICCSIP) 2021最佳论文提名奖。
癫痫综合征分类
(1)基于脑电的癫痫综合征分类
针对四种典型的儿童癫痫综合征分类问题，包括两种常见的癫痫综合征（BECT和WEST）及其两个正常对照组（Normal-1和Normal-2），先后研究了基于卷积网络深度融合模型的癫痫综合征分类算法和基于3D注意力残差深度网络的癫痫综合征辅助分析方法。
成果：相关研究成果发表于SCI国际期刊IEEE Transactions on Cognitive and Developmental Systems和IEEE Transactions on Circuits and Systems II: Express Briefs上。
（2）基于人工少数类过采样及混合的癫痫综合征分类
相比于癫痫发作先兆和发作间歇的持续时间，癫痫发作的持续时间非常短，会导致样本数据的不均衡。对此，本项目研究基于人工少数类过采样及混合的癫痫综合征分类方法。
成果：相关研究成果发表于SCI国际期刊IEEE Transactions on Cognitive and Developmental Systems上。
（3）基于脑网络的癫痫综合征关联性分析
虽然可以通过EEG进行较为准确临床诊断 ，但发病机制和演变过程依旧不清楚。为使用图论的方法分析脑区之间的变化，本项目研究基于脑网络的癫痫综合征关联性分析。
为及时发现儿童中枢神经系统的脱髓鞘疾病，本项目研究儿童脑部MRI图像的分割，以为医生诊断提供辅助信息。
