《Scientific Reports》：SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking
编辑推荐：
本研究针对癫痫预测中假阳性率高、数据安全保障不足等问题，提出了一种结合区块链技术与物联网的智能医疗监测框架SBTM。该研究利用Bi-LSTM捕捉脑电图信号时序特征，并通过Spizella优化算法调参，最终实现97.52%的准确率，为远程医疗提供了高效安全的解决方案。
癫痫作为一种常见的神经系统疾病，其突发性和不可预测性给患者日常生活带来严重困扰。每次癫痫发作都可能引发脑功能损伤、意外伤害甚至猝死，因此实现精准的发作预测已成为神经科学领域的重要挑战。传统脑电图（EEG）分析依赖人工判读，存在主观性强、效率低下等问题，而现有机器学习方法在时序特征捕捉和假阳性控制方面仍有明显局限。与此同时，物联网（IoT）医疗设备产生的海量数据对系统可扩展性和患者隐私保护提出了更高要求。
针对这些痛点，本研究提出名为SBTM的智能医疗监测框架，创新性地将区块链技术与深度学习相结合。该研究通过双向长短期记忆网络（Bi-LSTM）解析EEG信号的非线性动态特征，利用Spizella优化算法自动调整模型超参数，最终在90%训练数据比例下达到97.52%准确率、97.51%灵敏度和98.51%特异性。实验结果表明，该模型在保持低假阳性率的同时，显著提升了癫痫发作的预测性能。
关键技术方法包括：1）基于Bi-LSTM的时序依赖建模；2）Spizella优化算法的超参数调优；3）区块链赋能的数据安全架构；4）IoT网络下的远程监测系统。研究使用临床EEG数据进行验证，无需特殊样本队列标注。
研究结果方面，通过对比实验证实：Bi-LSTM架构能有效学习发作前EEG的微小波动，优化算法将模型收敛速度提升40%，区块链模块确保数据交换全程可追溯。特别值得注意的是，模型对颞叶癫痫的预测窗口可达提前5分钟，为干预措施留出关键时间。
该研究的突破性在于首次将生物启发优化算法与区块链技术整合到癫痫预测领域，既解决了模型优化依赖专家经验的问题，又通过分布式账本技术保障医疗数据安全。这项发表于《Scientific Reports》的工作，为智能医疗系统提供了兼顾精准性与安全性的技术范式，对推动个性化癫痫管理具有重要临床意义。
