使用卷积神经网络对颅内与头皮 EEG 进行癫痫发作预测

基于摘要分析。研究针对癫痫发作预测中依赖逐患者手工特征设计的问题，提出结合短时傅里叶变换与卷积神经网络的患者特异性预测方法，在颅内和头皮 EEG 数据上区分发作前期与发作间期片段。其主要贡献是用统一处理流程自动学习患者相关特征，减少为新患者重新设计手工特征的需求，而非建立已验证的跨被试通用预测模型。 方法将 30 秒 EEG 窗口经短时傅里叶变换转换为时频表示，再由 CNN 学习用于分类的特征。摘要将该方法定位为回顾性、患者特异性预测；其所称“通用”主要指流程可用于不同患者和数据集，无需手工提取特征，不能据此认定模型无需针对新患者训练或校准。 在上述回顾性、患者特异性评估背景下，作者报告：Freiburg Hospital 颅内 EEG 数据集的敏感度为 81.4%、错误预测率为 0.06 次/小时；Boston Children’s Hospital-MIT 头皮 EEG 数据集分别为 81.2% 和 0.16 次/小时；American Epilepsy Society Seizure Prediction Challenge 数据集分别为 75% 和 0.21 次/小时。作者还报告，在三个数据集的大多数患者上，该方法在统计上优于非特异性随机预测器。这些结果不构成跨数据集迁移或前瞻性临床有效性的证据。 摘要未提供被试数量、训练与测试划分、发作前期定义、预警时间范围、报警合并规则及统计检验细节，网络结构、训练配置、消融与代码可用性亦尚未验证。复现时应优先核对这些协议，尤其是窗口级分类如何转换为事件级预警，以及敏感度与每小时错误预测率的计算条件；不同预警协议下的数值不宜直接比较。