跨异质 EEG 数据集的癫痫发作预测联邦学习

基于摘要分析。研究针对多临床站点 EEG 癫痫发作预测中的隐私约束与非独立同分布（non-IID）数据问题，采用单通道 EEG 联邦学习，并提出 Random Subset Aggregation，以缓解标准加权 FedAvg 被较大数据集主导的问题。研究对象是癫痫发作预测，而非 BCI 控制任务。 方法包括隐私保护的全局归一化，以及每轮让各客户端从自身数据中抽取固定规模随机子集进行训练，使其在聚合中贡献更均衡。摘要未说明归一化统计量的计算与保护机制、聚合权重、模型结构、损失函数及子集规模，具体实现尚未验证。 实验使用 Siena、CHB-MIT、Helsinki 和 NCH 四个公开 EEG 数据集，覆盖成人、儿童与新生儿人群及不同记录条件。作者报告，本地训练模型难以跨站点泛化；在该四数据集单通道联邦评估中，标准加权 FedAvg 在 CHB-MIT 上的 Accuracy 为 89.0%，在 Helsinki 和 NCH 上分别为 50.8% 与 50.6%。采用 Random Subset Aggregation 后，作者报告 Helsinki 和 NCH 的 Accuracy 分别提高至 81.7% 和 68.7%，四站点宏平均 Accuracy 为 77.1%，合并样本 Accuracy 为 80.0%。宏平均与合并样本指标反映不同的汇总口径，不宜互换；摘要未提供完整站点结果及被试内、跨被试或跨会话划分，不能据此推定未见站点泛化效果。 阅读与复现重点是核对发作前期标签及预测时间窗、类别比例、被试与记录划分、单通道选择、各客户端数据量，以及随机子集策略是否在相同训练预算下比较。作者据此认为模型更稳健且更公平，但临床可用性、隐私保证、消融及统计信息尚未验证；仅凭 Accuracy 尚不能判断实际预警中的误报负担。