2018 年 1 月，来自澳大利亚 IBM 研究院和墨尔本大学的研究人员在 EBioMedicine 上发表了题为“ Epileptic Seizure Prediction Using Big Data and Deep Learning: Toward a Mobile System ”的原创性论文，文章主要报道了一种利用大数据分析和深度学习来预测癫痫发作的移动系统。

调查显示，对癫痫发作的不可预知性是影响癫痫病患者生活质量的最主要原因。因此这些患者迫切需要一种在癫痫发作危险性增加时能提前预警的装置。 2013 年， Cook 等人通过一项长达 16 年的临床研究证明了一种基于植入式脑电图记录系统和发作预测算法的手持式咨询设备，可成功用于患者癫痫发作的预测。但这种预测方式却存在预存数据方面的局限性和预测算法上的不可调节性，导致其无法适用于所有患者，且患者不能根据自己的偏好来调节参数。

为克服上述缺陷，来自澳大利亚 IBM 研究院和墨尔本大学的研究人员利用深度学习技术和 IBM 公司的 TrueNorth 超低功耗芯片处理器，开发了一种新的癫痫发作预测系统，对其进行了概念证明，并在预测敏感度、敏感度改善率和预警时间等方面进行了评估。

课题组对 Cook 等人研究中的 10 名癫痫病患者的脑电图数据进行了收集，在进行了 2 个月的深度学习后，进行了为期 2 年的研究。

结果显示，在装配 TrueNorth 芯片之前，根据不同时间的平均预测表现和每次运行的月平均表现，新系统在 10 名患者中具有良好的普适性。 在预测表现方面，新系统的平均预测敏感度、平均敏感度改善率和平均预警时间百分比分别为 68.6% 、 42.3% 和 26.9%, 较以往多组研究结果均有显著的提升（表 1 ）。在可调节性方面，该系统可到达的最佳预测敏感度和最佳敏感度改善率分别为 91.8% 和 40.5% ，而最短预警时间百分比为 19.3% 。患者可以根据自己的偏好来调节参数，使预测灵敏度和预警时间百分比之间达到一个最佳的平衡（图 1 ）。

而在装配 TrueNorth 芯片之后，该系统的平均预测敏感度、平均敏感度改善率和平均预警时间百分比分别为 71.7% 、 41.3% 和 31.7% 。

表 1 新系统算法和既往研究算法在癫痫发作预测中的表现比较