一种轻量级动态对比计算的双模癫痫预测方法

本发明属于医学信号处理领域，提出了一种轻量级动态对比计算的双模癫痫预测方法，解决了多模态癫痫预测中因高维冗余、通道噪声干扰及模态交互不足导致的预测准确性不高和计算资源浪费问题，为建立高效稳定的预测机制提供了新思路。本发明设计了完整癫痫预测框架，包括权重通道优化、双模态特征强化、自监督训练及多维性能评估，采用TUH数据集按4:1比例划分用于训练与测试。通过动态通道选择、时域对齐及自适应噪声抑制模块，提高信号质量与模型推理效率；构建融合EEG与ECG的轻量化双模卷积网络，结合多层特征融合与决策降维结构，提取癫痫前期动态信号特征。模型训练中采用对比损失为核心的自监督机制，增强癫痫征兆区分能力；基于预测效能指数(PEI)及灵敏度与特异性多指标评估体系，提升模型泛化能力与稳定性。经多轮测试与微调，本方法在实际癫痫预测任务中表现出较高的准确性、鲁棒性与可扩展性。