癫痫作为发作频繁且无发作规律的神经系统疾病,尽管可以通过采集的脑电数据进行诊断,但由于发作的反复性和偶然性,无法在癫痫突发时保证患者的安全。这导致癫痫患者在确诊后要面临巨大的恐慌和压力,也容易伴随产生如抑郁、焦虑等其他疾病。因此,癫痫发作的提前预测对于癫痫患者至关重要。另外,癫痫预测算法作为植入式癫痫刺激器的重要组成部分,对新的癫痫治疗方法具有重要的临床应用价值。本文提出了基于多头注意力机制的紧凑卷积神经网络模型以实现癫痫发作的预测。该模型主要包括卷积神经网络模块和多头注意力模块两个部分。卷积神经网络在处理图像Exit-site infection问题上不仅有较好的性能,而且图像可以直接作为输入数据送入网络进行学习和训练。本文中脑电信号经过预处理后直接送入模型进行训练和分类。卷积神经网络模块可以实现层内特EPZ-6438征的自动提取,避免了手工提取特征这个较为复杂的过程。卷积网络的参数共享不仅有效的减少了网络需要调整的参数数量,VX-765生产商还使得网络优化更加便捷。多头注意力模块是多个独立的注意力层的组合,可以有效地学习特征与特征之间、特征与模型目标之间的关系,在训练过程中加大对重要特征的权重并忽略无效特征。因此,多头注意力模块可以实现对所提取特征的筛选,将关注点集中在可实现癫痫发作准确预测的更有效信息上,提高了网络的性能。模型总体结构层数浅、结构紧凑,网络运行时间短、预测速度快、训练效率高。分别在两个国际开源的连续长程头皮脑电数据库上,对本文所提出的癫痫发作预测模型进行了性能测试与评价。本文采用基于epoch-level和基于event-level的两套评价指标分别进行了患者特异性实验、跨患者实验以及跨数据库实验。在患者特异性实验中,对每一位患者采用5折交叉验证,达到了令人满意的发作预测结果,体现了本文所提出的预测模型的精准度。跨患者实验是对于被作为测试的患者而言,预测模型的训练数据来自于其他患者。因为不同患者之间的脑电数据差异性较大,因此,比患者特异性实验更具有挑战性,而本文所提出的预测模型依然达到了较好的实验结果,尤其在基于event-level的评价中取得了较高的灵敏度和较低的错误预测率(FPR)。跨数据库实验是训练集和测试集分别来自两个不同的国际开源长程脑电数据库,因此,训练集和测试集中的脑电数据的差异性更大,但是,本文所提出的预测模型仍然达到了可接受的实验结果,体现了本文方法良好的泛化性能。同时,与其他已发表的癫痫发作预测方法的比较进一步表现了本文所提出的预测模型在预测精度、模型结构和运行速度上的优势。此外,本文所提出的发作预测模型在进行结构超参数的优化时采用手动调整。在未来的工作中,将引入可自适应推理的动态神经网络方法,实现发作预测模型的结构超参数的自动调整与优化。