通过特征与原型融合实现可复现、可解释的患者特异性癫痫发作预测

基于摘要分析。本文研究长期头皮 EEG 的患者特异性癫痫发作预测，比较 EEG-only 深度学习基线、特征融合和原型感知融合，核心贡献是在固定报警协议下呈现发作检出与误报负担的权衡，并提供可审计的评估流程；研究对象是癫痫预警，而非通用 BCI 解码。 方法上，特征融合将学习得到的 EEG 表征与人工设计的信号特征结合；原型感知融合将可解释的原型表征引入预测流程。摘要未说明具体特征、原型构建方式、网络结构、损失函数或训练配置，相关细节尚未验证。 作者在 CHB-MIT 数据集的 16 名患者、85 次留出发作上开展 leave-one-seizure-out 评估。每位患者分别训练与评估，留出发作不参与训练，属于患者内评估，不能据此推断跨被试泛化。所有模型使用相同的预设报警协议：因果 60 秒移动平均、0.5 决策阈值及 30 分钟不应期。 在上述协议下，作者报告 EEG-only 基线检出 63/85 次发作，事件级灵敏度为 74.12%，每小时假阳性率（FPR/h）为 0.651，汇总 AUC 为 0.753；特征融合检出 66/85 次，灵敏度为 77.65%，FPR/h 为 0.681，汇总 AUC 为 0.768；原型感知融合检出 62/85 次，灵敏度为 72.94%，FPR/h 为 0.515，汇总 AUC 为 0.770。特征融合在所比较模型中灵敏度最高，但误报更多；原型感知融合的汇总 AUC 最高、误报最低，但灵敏度较低。AUC 与报警指标衡量不同层面的表现，不能互相替代。 作者报告保存了折级预测与模型检查点，开展配对折级比较和队列层面的融合贡献分析，并将预设主要报警协议与探索性事后操作点分析分开。全文未取得，预测时间窗、发作前期定义、数据划分细节、统计不确定性、消融结果、原型解释的验证方式及复现资源是否公开尚未验证；这些结果也不构成临床部署有效性的证据。