含噪训练标签下用于癫痫发作检测的不确定性感知贝叶斯深度学习

基于摘要分析。本文研究人工标注不可靠造成的标签偶然不确定性，主要应用是基于 EEG 的癫痫发作检测，而非 BCI 指令解码。作者提出贝叶斯框架 BUNDL，为未知的“干净标签”建模，以缓解监督深度学习受到标签噪声影响的问题。 核心机制是利用领域知识设计干净标签的后验分布，并使其随数据不确定性自动调整；训练采用新的基于 KL 散度的损失函数。作者称 BUNDL 可包装现有检测模型，因此其贡献主要在标签不确定性建模与训练框架，而非某个固定检测网络。摘要未提供后验分布的具体形式、领域知识如何编码、不确定性如何估计，以及损失的完整定义，这些实现细节尚未验证。 作者报告，在一个模拟 EEG 数据集与 Temple University Hospital（TUH）corpus 上，结合三种被作者称为当前先进方法的深度网络进行验证，所有测试情形中接入 BUNDL 均改善了癫痫发作检测性能。作者还报告，处理标签噪声可减少伪迹引起的错误预测，从而改善 EEG 中的癫痫发作起始定位。摘要未给出具体指标、增益数值、网络名称、被试数量或数据划分，不能据此判断跨被试或跨会话泛化能力，也不能将检测性能与定位效果直接等同。 复现时需核对模拟数据及标签噪声的构造方式、TUH 数据子集与标注来源、训练和测试划分、对照模型及噪声处理基线，并确认起始定位和伪迹错误预测的评价定义。实验协议、消融及统计信息尚未验证；现有材料支持将其视为 EEG 临床检测中的标签噪声处理方法，不支持进一步宣称其已改善其他 BCI 任务。