新生儿由于刚从母胎中脱离出来,其脑部极其容易受到伤害,而惊厥是最常见的新生儿脑功能异常。临床上,EEG信号是一种记录方便、记录成本低且能够一定程度反应大脑活动的信号,因此EEG信号常用于惊厥检测。但观察EEG信号需要耗费专家大量时间且非常容易出错。针对此问题,论文提出了一种结合深度特征与传统特征的惊厥检测模型。论文的主要工作和贡献有以下几点:第一,为了充分利用人类识别惊厥的经验,针对惊厥发作特性提取了一些常规的传统特征,包括信号的Hjorth、信号的峰度和信号的偏度等特征。除此之外,针对目前图像信息的缺失,构造了一种EEG信号的幅频等高图特征,计算该特征时首先对EEG信号进行重构,然后将其转化为幅频等高图,最后对转换后的图像提取特征。实验结果表明,所提取的常规传统特征能较好地反应惊厥的特性,EEG信号的幅频等高特征也能挖掘出其他常规特征所不能表示的信息。第二,为了充分发掘深度学习的特征提取能力,设计了一种新的深度神经网络结构来提取原始EEG信号的深度特征,该神经网络主要包括信道丢失模块、多尺度卷积层、注意力层、多流向双向RNN层和全连接层等模块。信道丢失模块会在模型训练时随机丢弃某几个EEG信号通道以加强模型的鲁棒性。多尺度卷积层利用不同大小的卷积核提取了多尺度特征。注意力层捕捉了不同通道的重要性。多流向双向RNN层进一步提取了信号时序上的信息。全连接层整合了所有信息,并输出预测结果。实验结果表明,论文所设计的神经网络优于一般的神经网络。第三,为了同时利用人工经验和深度学习的特征提取能力,设计了一种结合深度特征和传统特征的特征融合框架。该框架包括特征提取转换模块和增强型DNN。特征提取与转换模块首先提取一些传统特征,然后利用梯度提升树模型将传统特征转化为类别特征。在增强型DNN中,利用一般神经网络来提取原始EEG信号的深度特征,同时利用embedding层读取类别特征,最后利用全连接层将embedding特征和深度特征融合在一起并输出信号的异常与否。实验结果表明论文提出的特征融合框架在惊厥的自动检测工作中表现优异,并且框架还适用于其他相似领域。