利用机器学习与长期动态 iEEG 进行个体化癫痫发作簇预测

基于摘要分析。研究针对癫痫发作簇的个体化预测，使用长期动态颅内脑电（iEEG）的双变量特征，探索孤立发作与簇内发作之间的差异，并构建机器学习预测模型。主要研究对象是癫痫发作模式及其临床预测，而非 BCI 控制或意图解码。 方法上，作者使用相对熵（relative entropy，REN）作为双变量特征，捕捉可能与孤立发作和簇内发作相关的脑区间交互差异。数据来自 15 名患者，每名患者记录时长最长达 2 年，包含来自 427 个发作簇的 3341 次簇内发作，以及 369 次孤立发作。每名患者积累的多次发作为个体化分析与预测提供了条件；摘要未说明 REN 的具体估计方式、特征时间窗及分类器类型。 作者报告，多数患者的孤立发作与簇内发作之间存在显著 REN 差异。在该长期动态 iEEG 数据的个体化分析背景下，基于 REN 的模型预测“给定一次发作后是否会很快再次发作”，ROC 曲线下面积（AUC）最高为 69.5%；预测“一次发作是否为某个发作簇的首次发作”，AUC 最高为 55.3%。作者报告模型优于基线方法，但摘要未给出基线细节、各患者结果分布或汇总统计；上述最高值不能视为患者平均表现，两项任务也不宜直接比较。 复现与解读需核对发作簇定义、“很快”的时间范围、预测时点、输入片段与发作的时间关系，以及训练测试划分和类别不平衡处理方式。实验协议、消融及统计信息尚未验证。作者提出该方法可能支持及时预防性治疗，但摘要未提供前瞻性干预或临床获益验证，不能据此认定其已具备临床应用效用。