Das Elektroenzephalogramm (EEG) ist ein wichtiger diagnostischer Test, den Ärzte verwenden, um Gehirnaktivitäten aufzuzeichnen und Anfälle durch die Überwachung der Signale zu erkennen. Es wurden mehrere Versuche unternommen, Anfälle und Abweichungen in EEG-Signalen mit modernen tiefen Lernmodellen zu detektieren, um die klinische Belastung zu verringern. Allerdings können diese Modelle nicht fair miteinander verglichen werden, da sie in unterschiedlichen experimentellen Umgebungen getestet wurden. Zudem werden einige dieser Modelle nicht für die Echtzeit-Anfallserkennung trainiert, was die Anwendung auf Geräten mit eingeschränkten Ressourcen erschwert. Daher präsentieren wir in dieser Arbeit erstmals eine umfassende Vergleichsstudie mehrerer modernster Modelle und Signalmerkmalsextraktoren in einem Echtzeit-Anfallserkennungsrahmen, der für den Einsatz in der realen Welt geeignet ist. Dabei verwenden wir verschiedene Bewertungsmaße, darunter ein neu vorgeschlagenes Maß, das praktischere Aspekte der Anfallserkennung genauer berücksichtigt. Unser Quellcode ist unter https://github.com/AITRICS/EEG_real_time_seizure_detection verfügbar.