IBM研究团队近日发布一篇用机器学习自动分类癫痫发作类型的论文，通过AI技术辨别癫痫患者脑电波图片，针对癫痫发作类别进行分类，癫痫发作类型影响到用药选择和病患可以安全从事的活动类别。
癫痫是脑细胞在短时间内过度放电，造成暂时的脑功能障碍，全球有340万人患有癫痫症，26个人之中就有1个人会在任何年纪发病，而癫痫的发作又分为好几种不同的类型，其中3分之1的病患目前并没有相对应的医疗手段可以治疗，其他3分之2的病患，由于个案状况具有高度差异，可行的治疗常常难以预测。
目前临床上并没有较准确的癫痫发作分类及量化标准，主要是依赖医师的经验来判断，医师通过询问患者的家族病史、病情状况等因素，搭配脑电图、核磁共振成像、计算机断层扫描图片等检查数据，来决定治疗方式，但是缺乏长期病情变化的数据和测量方式，大部分都只能靠着不断地尝试用药和治疗方法，来正确地匹配病患状况，此外，手写记录是基本的数据来源，而这些数据被证实只有50％的准确率。
为了解决这项问题，研究团队采用近日美国天普大学发布的癫痫疾病公开脑电图数据集TUH EEG Seizure Corpus，作为训练机器学习模型的数据集，该训练数据集包含8个癫痫类别的2,012个癫痫发作案例，其中，由于肌阵挛发作（ myoclonic seizure）类型的数量太少，研究团队将此类型忽略，模型总共识别7种癫痫发作类型，在所有的数据集中，研究团队将60%数据作为训练数据集，20%为验证数据集，而剩下的20%当作测试数据集。
研究团队尝试了多种机器学习分类算法，并评估其分类表现，实验结果发现k-NN算法为效果最佳的算法，模型分类的准确度为90.7％，k-NN算法是通过矢量空间模型来分类，借由计算和已知类别案例的相似性，来评估未知类别案例可能的分类方法。
IBM研究团队表示，这是第一个展示机器学习能用于癫痫发作分类的研究成果，期望该自动分类模型，能够改善患者的长期看护、即时用药调整和远距离监控病情等，过去相关的癫痫研究都着重于如何预测癫痫疾病，并没有针对癫痫发作类型进行分类。