使用头皮 EEG 信号进行被试独立癫痫发作预测的几何深度学习

基于摘要分析。研究针对头皮 EEG 中被试特异性使癫痫发作预测模型难以用于训练数据有限或缺失的新被试的问题，提出基于 Geometric Deep Learning（GDL）的被试独立预测方法，以区分发作前期与发作间期。主要贡献是先利用电极布局的物理连接构建图，再通过深度学习合成被试特异图；研究对象是癫痫发作预测，并非直接验证 BCI 控制任务。 机制上，第一阶段以 EEG 电极网格中的物理连接作为图结构先验，第二阶段尝试学习被试特异的图结构，以应对不同被试的 EEG 特征差异。摘要未提供图节点与边的具体定义、图生成方式、网络架构、损失函数，以及目标被试数据在训练或推理中的使用方式，这些均尚未验证。 作者报告，两阶段所提出的模型在一小时提前发作预测窗口下取得其所称的最先进性能：CHB-MIT-EEG 涉及 23 名被试，报告数值为 95.38%；Siena-EEG 涉及 15 名被试，报告数值为 96.05%。摘要未明确这些百分比对应的指标，不能将其直接标为 Accuracy，也无法判断它们分别对应哪一阶段模型。具体 Cross-subject 划分、预警窗口定义、对照基线、误报评价、消融及统计信息尚未验证。作者还基于模型解释提出该方法可能有助于头皮 EEG 癫痫发作定位，但摘要不足以确认定位性能或临床有效性。 平台推测（待验证）：其电极拓扑先验与自适应图结构可作为跨被试 EEG 解码的迁移假设，可能对应固定空间连接难以适应个体差异的瓶颈。可复用的是图结构建模思路，需改造任务标签、时间窗口及不同通道布局的映射；低信噪比、小数据和通道缺失可能使学习到的图不稳定。一个可检验的小实验是在固定 Cross-subject 划分与相同分类骨干下，比较物理布局图和学习图，并控制目标被试数据使用范围。已有相关 EEG 工作尚未检索确认，原任务结果不能视为 BCI 有效性证据。