从癫痫发作分类到检测：一种面向原始 EEG 信号的深度学习方法

基于摘要分析。该研究针对抗发作药物（ASM）疗效评估中癫痫发作检测与量化的需求，提出从原始连续 EEG 到发作事件识别的深度学习流程，重点区分片段分类与发作检测，而非直接研究 BCI 控制任务。 流程包括三个环节：预处理在不预先区分发作与非发作活动的情况下切分连续 EEG；后处理重新拼接 EEG 片段，以识别发作开始与结束；评估则严格比较预测事件与真实标注事件。作者还报告采用旨在应对潜在数据泄漏的数据划分策略，但划分单位、训练与测试的隔离方式，以及事件匹配规则尚未验证。 作者报告，分类与检测任务存在根本差异，并呈现不同的性能表现；摘要未提供二者的具体对照指标。表现最佳的架构结合 Convolutional Neural Network 与 Transformer encoder。作者报告，该模型在动物 EEG 上训练、在人类 EEG 上测试，在平衡的 Bonn dataset 上取得 F1-score 93%。这一数字属于所述跨物种测试背景，摘要未明确其对应片段分类还是严格事件检测，不能据此直接认定连续人类 EEG 的发作检测性能。 该工作的可核对价值在于把片段预测、时间边界重建和事件级评价纳入同一流程。复现时需确认动物与人类 EEG 的采样、通道及预处理兼容性，平衡 Bonn dataset 的构建方式，数据划分隔离层级，以及事件匹配对时间偏差的容忍规则。具体网络结构、损失与训练配置、实验协议、消融及统计信息尚未验证。摘要不足以支持其临床部署能力或 BCI 有效性。