В работе исследованы нейросетевые методы автоматической детекции эпилептических приступов по многоканальным записям ЭЭГ. Разработана канально-инвариантная архитектура ChannelAgnosticSeqModelV3, не зависящая от числа и порядка входных электродов. Архитектура включает разделяемый канальный энкодер с параллельными ветвями CNN и FFT, механизм канального внимания и темпоральный трансформер для моделирования контекста длиной 55 секунд. Обучение проводилось на корпусе TUH EEG Seizure Corpus. Проведён сравнительный эксперимент по оценке переносимости предобученной модели CBraMod на задачу детекции приступов. На выборке dev корпуса TUSZ получены следующие результаты: AUROC 0,9135, PR-AUC 0,5737, событийная чувствительность 82,8% при частоте ложных тревог 4,60 в час. Реализован веб-прототип системы поддержки врача-невролога на основе FastAPI и HTML5 Canvas.

This work investigates deep learning methods for automatic epileptic seizure detection from multichannel EEG recordings. A channel-invariant neural network architecture, ChannelAgnosticSeqModelV3, is developed, operating independently of the number and order of input electrodes. The architecture comprises a shared channel encoder with parallel CNN and FFT branches, a channel attention pooling mechanism, and a temporal transformer modeling 55-second context windows. The model was trained on the TUH EEG Seizure Corpus. A comparative experiment was conducted to evaluate the transferability of the pre-trained CBraMod foundation model to the seizure detection task. Evaluation on the TUSZ dev set yielded the following results: AUROC 0.9135, PR-AUC 0.5737, event-level sensitivity 82.8% at a false alarm rate of 4.60 per hour. A web-based prototype of a neurologist decision support system was implemented using FastAPI and HTML5 Canvas.