（Jiuwen Cao*，Yuanmeng Feng, Runze Zheng, Xiaonan Cui, Weijie Zhao , Tiejia Jiang, and Feng Gao, Two-stream Attention 3D Deep Network based Childhood Epilepsy Syndrome Classification, IEEE Transactions on Instrumentation and Measurement, 2022, published online）
儿童癫痫综合征影响全球大约0.5%至1%的儿童，大多数发生在发展中国家，这是儿童期最常见的慢性神经系统疾病，患病儿童在言语表达，学业成绩以及生活自理能力上与正常儿童相比存在明显的滞后性。尽管儿童癫痫综合征的诊断和治疗取得了快速发展，但其误诊问题仍未得到有效解决，儿童癫痫综合征的准确分类对癫痫的临床诊疗具有重要意义。通过与浙江大学医学院附属儿童医院合作，围绕六类常见的癫痫综合征(BECT、CAE、CSWS、EIEE、FS+、WEST)，一类难以区分的癫痫综合征(Else)以及一类正常儿童(Normal)的长时监测脑电数据，我院人机混合智能与智慧健康研究中心在儿童癫痫综合征分类方向的研究论文“Two-stream Attention 3D Deep Network based Childhood Epilepsy Syndrome Classification”被IEEE TIM期刊IEEE Transactions on Instrumentation and Measurement录用。该研究有效解决了儿童癫痫综合征分类准确度不高的问题，提出了一种新的儿童癫痫综合征分类算法。
针对传统的智能识别算法以及单流3D深度卷积神经网络特征学习存在的问题，本文提出了一种基于双流3D深度神经网络的儿童癫痫综合征分类算法，主要创新如下：
1）结合儿童癫痫综合征临床诊断以及多特征表示学习，提出了一种双流3D深度神经网络的儿童癫痫综合征分类算法；
2）引入注意力机制模块，注意力模块可以增强特征通道间的特征学习能力，还可以充分的挖掘特征空间的相关信息。
论文提出的检测算法在浙江大学医学院附属儿童医院115例受试者的临床数据上得到了验证。
论文第一作者兼通讯作者为指导教师曹九稳教授，第二作者为研究生冯袁盟，研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。
核心算法框图：
注意力模块框图：
所提出的算法在分类结果方面的表现：
