基于多尺度卷积原型网络的新型 EEG 帕金森病检测模型

基于摘要分析。该研究面向 EEG 帕金森病（PD）自动检测中的样本不足问题，提出 multiscale convolutional prototype network（MCPNet），结合多尺度 CNN 特征提取与原型学习，并引入原型校准策略以减轻数据噪声对原型生成的影响。研究对象是 PD 患者与健康对照的分类，不等同于 BCI 控制任务或临床诊断效用验证。 机制上，多尺度 CNN 用于提取不同尺度的脑活动特征，原型校准用于改善噪声条件下的原型表示。摘要未提供网络结构、原型构建与校准公式、损失函数，以及训练和推理阶段如何使用校准信息，相关机制细节尚未验证。 作者报告，在三个不同数据集上开展了数据集内与 Cross-dataset 实验。在数据集内采用留一被试法（LOSO）的 Cross-subject PD 与健康对照分类中，Accuracy 为 92.5%、敏感度为 93.1%、特异度为 91.9%、AUC 为 92.4%；摘要未明确这些数值对应单个数据集还是汇总结果。作者报告，数据集差异会削弱 Cross-dataset 性能，引入原型校准后 Accuracy 达到 90.2%，相较未校准时原文表述为“提升 4.0%”，但未明确指相对百分比还是百分点，不能据此反推基线。 复现需核对三个数据集的身份与样本规模、EEG 采集及预处理、LOSO 划分细节、Cross-dataset 的训练与测试组合，以及校准所需的数据和监督信息。实验协议、消融及统计信息尚未验证；现有摘要结果不足以确认临床部署有效性。