基于机器学习与动态 iEEG 的个体化癫痫发作簇预测

基于摘要分析。本文研究癫痫患者在短时间内连续发生的发作簇，目标是预测给定一次发作是否属于发作簇，而非一般意义上的发作发生预测。作者提出以双变量 iEEG 特征研究发作簇的方法，并结合相对熵与机器学习构建个体化预测模型。 核心机制是用相对熵量化脑区间的相互作用，捕捉孤立发作与成簇发作之间可能存在的交互差异。摘要未说明相对熵的具体估计方法、信号时间窗、特征选择流程及机器学习模型类型，这些实现条件尚未验证。 作者使用来自15名患者、每人最长达2年的动态 iEEG 记录开展个体化分析。数据包含3710次发作，其中3341次属于427个发作簇，另有369次孤立发作。作者报告，在该数据的个体化预测评估中，基于相对熵的机器学习模型 F1 最高为73.6%，并优于基线预测器；但摘要未交代该最高值的患者范围、汇总方式、基线定义或训练测试划分，因此不能视为全体患者的平均表现，也不能解释为跨被试泛化结果。 阅读全文时应重点核对发作簇的时间间隔定义、预测时点及可用信号窗口、同一发作簇在训练与测试中的划分方式，以及类别不平衡下 F1 的计算口径。实验协议、消融及统计信息尚未验证。该研究直接面向癫痫发作簇预测，其临床负担改善仍需进一步验证，不能由摘要中的预测结果推断已具备临床干预效益或通用 BCI 解码能力。