基于生成式扩散模型的癫痫发作预测数据增强

基于摘要分析。本文针对 EEG 癫痫发作预测中的数据增强问题，提出生成式扩散方法 DiffEEG，通过逐步加噪与反向去噪生成合成 EEG 样本，旨在提高训练数据的多样性并维持特征空间的一致性。研究对象是癫痫发作预测，不能据此直接推断其对其他 BCI 任务的有效性。 机制上，前向扩散过程向 EEG 输入逐步加入不同尺度的噪声，将其转化为随机噪声；反向去噪过程利用学习到的数据分布，从随机噪声逐步生成合成样本。作者将样本多样性归因于输入噪声的随机性，将特征一致性归因于模型对数据分布的表征能力。摘要未提供去噪网络结构、训练损失、噪声调度、条件生成方式及合成样本数量，这些实现细节尚未验证。 作者将 DiffEEG 与原始数据、下采样、滑动窗口和重组方法比较，并分别结合五种代表性分类器评估。作者报告，结合 DiffEEG 的 multiscale CNN 在 CHB-MIT 上平均敏感度为 95.4%、FPR 为 0.051/h、AUC 为 0.932；在 Kaggle 上相应为 93.6%、0.121/h、0.822。摘要未说明这些结果属于被试内还是跨被试协议，也未给出数据划分、预测时间窗、发作前期定义、误报统计规则或具体 Kaggle 数据版本，因此不能与其他协议下的数值直接比较。作者称该组合达到当时最先进性能，但其基线覆盖与可比性尚未验证。 复现时需核对扩散模型是否仅使用训练划分拟合、合成样本的类别与数量配置、不同增强方法的训练预算，以及五种分类器上的逐项收益。生成 EEG 的生理合理性、是否保留发作前期判别信息，以及跨被试和跨会话稳定性也需进一步核查。全文、实验协议、消融及统计信息尚未验证，不能仅凭摘要确认泛化收益。