汤贵艳

（青岛科技大学，山东青岛 266061）

1 概述

癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。其发作具有频繁、无预兆的特征，发作时不仅会导致短暂的注意力缺失或肌肉碰撞，严重时甚至会威胁到病人生命。近40 年来，神经科学家一直认为癫痫发作是在临床发作前几秒钟突然发生的，但现在有越来越多的证据表明，癫痫会在临床发病前几分钟到几小时出现，这使得通过对病人脑电波的分析判断癫痫发作，并及时给与药物治疗越发重要。

脑电波是诊断癫痫发作的重要检查方法。由于脑电信息存在非线性、高度复杂性和不可预测性等特征，使得传统方法不能快速准确的做出判断。随着机器学习和深度学习在各种应用场景的大放异彩，越来越多的模型例如支持向量机[1-2]、BP 神经网络[3]等被应用于预测判断领域，并取得了良好的结果，生成对抗网络(GAN)便是其中之一，网络包含生成器与判别器两个部分，两部分通过对抗性过程同时训练。在训练过程中，生成器学会创造最符合真实分布的数据，而判别器学会判断真实数据和虚假数据。通过这种对抗性学习，不仅可以提高生成器的生成性能，还可以有效提高判别器的准确率。近年来，生成对抗网络(GAN)模型已经广泛应用于自然语言处理[4-5]、图片生成[6-8]和目标检测[9-10]等领域，并且取得了显著的进展。

本文以生成对抗网络(GAN)模型为基础，同时针对脑电信息存在高度复杂性的特性，在判别器的设计过程中采用多个神经网络组合的方法，有效提高了判别器的准确度。……