基于多样采样、低质量 EEG 信号的跨患者癫痫诊断

基于摘要分析。研究针对跨患者癫痫诊断中 EEG 采样率不一致、数据缺失、噪声较高及标签不足等问题，提出 CPEDNet，将信号增强、时空表征和自监督学习结合，以适应不同质量与格式的 EEG。其主要研究对象是 EEG 辅助癫痫诊断，而非 BCI 控制任务。 技术机制上，CPEDNet 首先采用潜在 Neural Ordinary Differential Equation（NODE）方法增强 EEG，旨在缓解不规则采样、缺失数据和异常值的影响；随后将增强后的信号表示为脑网络流，捕捉空间与时间维度的神经表征；最后引入基于 score 的两阶段自监督策略，加强多通道 EEG 特征学习，并提升脑网络流时间动态的稳定性。摘要未给出 score 的具体定义、脑网络流的构建方式、损失函数或各阶段训练流程，这些实现细节尚未验证。 作者报告，在两个真实世界数据集上，CPEDNet 优于现有方法，能够从多样 EEG 格式中学习时空模式，并报告通过消融研究验证了各模块的有效性。但摘要未提供数据集名称、患者数量、跨患者训练与测试划分、采样率范围、信号退化设置、对照方法或指标数值，因此无法判断性能提升幅度，也不能与其他协议下的结果直接比较。具体实验协议、消融结果及统计信息尚未验证。 复现时需核对潜在 NODE 对观测时间和缺失值的处理、脑网络流的节点与连接定义，以及两阶段自监督学习所需的数据和监督条件；还需确认不同患者之间的划分方式，以及低质量信号条件如何设置。该方法在 EEG 癫痫诊断中的作者报告结果，不应直接视为对其他 BCI 任务有效的证据。