结合半监督主动学习的时空频谱层次图卷积网络用于患者特异性癫痫发作预测

基于摘要分析。本文研究患者特异性 EEG 癫痫发作预测，提出 STS-HGCN-AL，将时空频谱层次图卷积网络与半监督主动学习结合，旨在同时建模不同节律下的 EEG 特征、电极间关联，并自适应估计各患者的发作前期区间。 机制上，方法首先推断层次图，以表征不同脑区可能具有不同频率的癫痫活动；通过频谱时间卷积神经网络提取时间依赖，通过一种自门控机制变体提取空间耦合。随后，层次图卷积网络联合捕获并整合节律内的关键时空特征，输出识别结果。摘要未提供图构建细节、自门控公式、损失函数或训练流程，相关实现尚未验证。 另一核心设计针对患者间发作前期过渡时长的差异：摘要指出，这一过渡可能出现在发作前数秒至数小时，方法利用半监督主动学习，按患者估计最优发作前期区间。主动学习的查询策略、标注来源、未标注数据使用方式及区间选择与测试数据的隔离方式，均需全文核对。 作者报告，实验结果具有竞争力，并支持该方法提取关键发作前期生物标志物的有效性，但摘要未给出数据集、患者数、数据划分、基线、指标及具体数值，因此无法量化优势，也无法判断跨会话或前瞻性使用表现。实验协议、消融及统计信息尚未验证。该研究主要面向癫痫发作预测，不能据此认定其已验证其他 EEG 任务或 BCI 解码效果。复现需进一步确认信号预处理、节律划分、层次图推断、患者特异性区间学习和预测报警评价协议。