基于头皮 EEG 频率子带的发作间期癫痫样棘波深度学习检测

基于摘要分析。本研究面向癫痫诊断中的头皮 EEG 发作间期癫痫样放电（IED）自动检测，提出将原始 EEG 与多个频率子带联合输入 CNN 的方法，以辅助识别人工阅图中难以判定的异常放电；其主要对象是临床 EEG 检测，而非 BCI 控制或解码。 方法将原始 EEG 与 delta、theta、alpha、beta 子带组合，分别组织为供一维 CNN 使用的向量或供二维 CNN 使用的矩阵。核心可核对思路是让模型同时利用原始波形与不同频段的信息。摘要未提供滤波参数、片段长度、网络结构、损失函数及训练细节，这些尚未验证。 作者在 554 份头皮 EEG 上进行五折交叉验证，数据库包含由两名神经科医生标注的 18,164 个 IED。作者报告，多子带一维 CNN 检测器在敏感度为 90% 时，每分钟误报率为 0.23，precision 为 0.79。上述结果属于该五折交叉验证协议；摘要未说明是否按被试或记录划分，不能将其直接认定为跨被试泛化结果。 作者还在来自另外三家诊所的数据集上评估系统，并报告从 CNN 输出中提取的特征能够显著区分含 IED 与不含 IED 的 EEG（p-values < 0.05）。这一记录层面的区分结果不等同于外部数据上达到相同的事件检测敏感度、误报率或 precision。作者声称该方法优于既有文献，但具体对照方法、比较协议和效应量尚未验证。 复现时需核对五折划分单位、IED 标注与匹配规则、检测阈值设定、子带预处理，以及外部数据是否涉及模型调整。实验协议、消融及统计信息尚未验证；摘要也不足以确认代码与数据的可获取性。现有结果支持进一步评估自动 IED 检测的可行性，不构成已验证的临床诊断效益或 BCI 性能证据。