在武汉市应用基础前沿项目“基于头皮脑电图的小儿癫痫自动分类与病灶定位”支持下，提出深度学习、迁移学习等多种机器学习算法，用于基于头皮脑电的癫痫检测与分类，尤其是小儿癫痫。首先判断有无癫痫？如果有，是局灶性发作还是全面性发作？如果是全面性发作，进一步判断其具体类型，如强直发作、失神发作等。
• 多模态融合和多核知识迁移。
• 基于EEGNet的精简深度神经网络，降低EEG癫痫亚型分类中所需的带标签数据量。
• 基于Transformer的自监督学习模型用于EEG癫痫亚型分类，解决EEG数据的长时程依赖和训练数据不足的问题。
• 基于决策树梯度提升机的半监督迁移提升机(SS-TrBoosting)无源域域适配(SFDA)，使用预训练源域模型而非源域数据来实现隐私保护迁移学习。
微信公众号