摘要发作间期癫痫样放电（IED）及其空间分布对于癫痫的诊断、分类和治疗至关重要。由脑电图（EEG）专家进行的人工注释导致了公开可用数据集在多个癫痫中心的缺乏，这阻碍了自动IED检测的发展。我们提供了一个EEG数据库，其中包含来自84位患者的注释过的间发作性癫痫EEG数据。我们从每个患者那里提取了20分钟的连续原始EEG数据，总共累积了28个小时。IED和意识状态（清醒/睡眠）都被至少3位EEG专家仔细地注释。基于发生区域，放电被分类为五种类型：全面性IED、额叶IED、颞叶IED、枕叶IED和中央顶IED。所有EEG数据都被划分为4秒钟的时间段。这产生了2,516个IED时间段和22,933个非IED时间段。我们开发了一个VGG模型，用于训练并在当前数据集上验证IED的检测。意识信息的整合提高了模型的性能，尤其是在高敏感性水平上。此外，我们的数据集证明可以作为一个稳健的工具，用于验证现有的IED检测模型，以及根据空间分布自动分类IED类型。

摘要 为了增强基于深度学习的发作间期癫痫样放电(IED)自动检测，本研究利用视频和脑电图(EEG)数据，提出了一种多模态方法vEpiNet。数据集包括来自484名患者的24,931个IED和166,094个非IED的4秒视频+脑电图片段。视频数据通过提出的患者检测方法进行处理，采用帧差和简单关键点(SKPS)捕捉患者的运动。脑电图数据通过EfficientNetV2进行处理。视频和脑电图特征通过多层感知器进行融合。我们开发了一个名为nEpiNet的对照模型，以测试vEpiNet中视频特征的有效性。我们使用了10折交叉验证进行测试。结果显示，10折交叉验证在两个模型中都表现出较高的接收者操作特征曲线下面积(AUROC)，其中vEpiNet的AUROC(0.9902)略优于nEpiNet(0.9878)。此外，为了测试模型在现实世界场景中的性能，我们设置了一个前瞻性测试数据集，包含来自50名患者的215小时原始视频+脑电图数据。结果显示，vEpiNet实现了0.8623的精确率-召回率曲线下面积(AUPRC)，超过了nEpiNet的0.8316。整合视频数据将在80%敏感性下的精度从70%(95% CI，69.8%-70.2%)提高到76.6%(95% CI，74.9%-78.2%)，并将假阳性减少近三分之一，vEpiNet平均处理一小时视频+脑电图数据时间为5.7分钟。我们的发现表明视频数据可以显著提高IED检测的性能和精度，特别是在前瞻性的真实临床测试中。这表明vEpiNet是一种在现实世界应用中临床可行且有效的IED分析工具。