脑疾病诊断
基于脑电信号与可解释机器学习方法，研究癫痫、疲劳等脑科疾病的自动检测与智能诊断系统。
研究概述
脑疾病诊断研究依托多维泰勒网络与可解释深度学习方法，将 EEG 信号的时域、频域特征转化为可信赖的临床诊断依据。实验室面向癫痫发作检测、驾驶员疲劳评估、VR 眩晕量化等实际医疗场景，与南京脑科医院、安徽医科大学附属第一医院等开展深度临床合作，持续推进脑科疾病的精准智能诊断。
研究方法
01
特征提取与表示学习
从 EEG 信号中提取 WKLD、Laplace 等统计特征，结合多维泰勒多项式展开构建高判别力的疾病标志物表示，显著提升跨数据集的泛化能力。
02
可解释深度学习
开发基于梯度评分稀疏多项式网络（IGSPN）的可解释分类模型，在保证高精度的同时提供神经电信号与疾病的因果关联解释，满足临床可信 AI 需求。
03
临床验证与部署
与合作医院开展前瞻性临床试验，在真实患者数据上验证诊断模型的灵敏度与特异度，推进从实验室算法到床旁辅助诊断系统的工程化落地。
癫痫检测EEG分类可解释AI临床诊断多维泰勒网络