用于睡眠期癫痫电持续状态检测的大型预训练 EEG 模型

基于摘要分析。研究面向儿童睡眠期癫痫电持续状态（ESES）的自动检测，旨在减轻专家逐段目视识别 EEG 棘慢波复合波的负担，并降低标注主观性。作者提出基于大型预训练 EEG 模型的检测框架，识别并量化棘慢波复合波，进而计算棘慢波指数（SWI），为 ESES 诊断提供辅助信息；其主要研究对象是临床 EEG 异常检测，而非 BCI 控制任务。 方法使用预训练 NeuroEncoder 提取棘慢波复合波的时间与频率特征，加入时间和空间嵌入模块，并通过堆叠 Transformer 的多头注意力捕获复杂关系。作者还提出 symmetric label smoothing cross-entropy，以前向和后向约束缓解对噪声标签的过拟合，目标是提高对标签噪声及个体差异的鲁棒性。摘要未给出该损失的数学定义、预训练数据来源、模型规模或微调策略，具体实现尚未验证。 作者报告，在 35 名患者的 EEG 上采用留一被试的跨被试评估策略，Accuracy 为 91.91%，敏感度为 91.52%，特异度为 92.37%；与专家标注的一致性指标为 Kappa 0.8368、Gwet's AC1 0.8394。作者称其优于现有方法，但摘要未提供对照方法及对应结果，无法据此核对优势幅度。 复现与证据核对重点包括检测单元及分段方式、患者与记录构成、预训练数据与评估数据的关系、标签生成和专家一致性流程，以及各留出被试结果的汇总方式。还需区分棘慢波检测性能与最终 SWI 估计、ESES 诊断性能：摘要未单独报告后两者的误差或诊断指标。实验协议、消融及统计信息尚未验证，代码与权重可用性亦未确认；跨被试检测结果尚不能直接等同于独立临床场景中的诊断有效性。