利用 EEG 追踪皮层扩散性抑制的自动化、可扩展且可泛化深度学习方法

基于摘要分析。研究针对利用非侵入式头皮 EEG 检测并追踪皮层扩散性抑制（CSD）的问题，提出 CSD spatially aware convolutional network（CSD-SpArC），联合建模各电极信号的时间特征与头皮上的空间结构。研究对象是 CSD 事件及其波传播，不是运动想象或其他 BCI 指令解码任务。 机制上，卷积神经网络从每个电极的 EEG 信号中提取时间特征，图神经网络利用电极信号的头皮空间结构。模型进一步检测传播波何时显著影响各电极记录，以量化“时空追踪准确率”。图的构建方式、两类网络的具体连接、监督标签、损失函数以及训练和推理流程尚未验证。 作者报告，在高密度 EEG 条件下，方法未漏检所测试的 CSD，包括宽度参照现实观测设定的最窄 CSD，且“post-stitching”误报率低于 1.3%；摘要未解释该后处理及误报率的计算口径。作者报告，在基于 4 名被试真实头部 MRI 模型的模拟 CSD 波测试中，使用 256 电极高密度 EEG，时空追踪准确率最高为 86.65%±0.60%，平均误报率低于 3.5%。这两组误报结果对应不同描述，不能视为同一指标直接比较；准确率的具体定义及 ± 所表示的统计量尚未验证。 作者还报告训练后的网络可扩展至不同 EEG 电极密度，并可泛化至不同头部模型，但摘要未给出相应密度、划分、对照或分项结果。当前证据主要来自模拟波与真实头部解剖模型的结合，不能据此确认真实临床 EEG 中的检测效果。复现需核对 CSD 与 EEG 的模拟过程、头部模型划分、电极布局、事件拼接规则及评价指标定义；实验协议、消融及统计信息尚未验证，代码和数据可用性亦未由材料确认。