结合对比预训练的时频嵌入实现亚秒级癫痫发作检测

基于摘要分析。本研究面向 EEG 癫痫发作检测，将可训练连续小波变换（CWT）层整合进 3D CNN，从原始 EEG 自适应学习时频特征，并通过自监督对比预训练缓解低数据量与类别不平衡条件下的学习困难。其主要研究对象是癫痫发作识别，而非通用 EEG 基础模型或 BCI 控制任务。 方法上，作者比较了 contrastive predictive coding 与 bidirectional contrastive learning 两种预训练方式；监督模型对照包括使用预计算 CWT 的 2D CNN，以及直接处理原始信号的 1D CNN。可训练 CWT 的核心意义在于让时频表征随检测任务共同优化，但具体参数化、损失形式及训练流程尚未验证。 作者报告，在单通道和多通道数据实验中，标准 3D CNN 优于上述两类对照，并在短至 0.5 秒的片段上达到 95% Accuracy；对比预训练进一步改善了低数据量与类别不平衡情境下的表现。作者还报告，在输入施加中等噪声、降采样，以及采用留出被试评估 Cross-subject 泛化的实验中，框架维持了 90% Accuracy。摘要未明确这些扰动是否联合施加，也未给出各条件的独立结果，因此不宜将其合并理解为同一协议下的综合鲁棒性结论。 机制分析方面，作者报告，带通滤波与时间打乱实验提示分类主要依赖低频模式和统计特征，而非时间依赖关系。这为理解模型利用何种信号提供了线索，但其适用范围仍需结合具体扰动方式与对照结果判断。 数据集、被试数量、片段划分、类别比例、置信区间及完整消融信息尚未验证。0.5 秒输入片段不等同于从发作起始计算的检测延迟；临床适用性仍需核对事件级灵敏度、误报率及连续 EEG 评估。摘要也不足以判断模型是否具备跨任务基础模型能力。