利用低资源环境下可负担硬件采集的 EEG 信号检测癫痫的图注意力网络

基于摘要分析。该研究面向低收入地区癫痫诊断资源不足的问题，提出基于图注意力网络（GAT）的 EEG 癫痫检测框架，使用尼日利亚和几内亚比绍的低成本设备记录进行测试，兼顾自动评估、连接关系解释与低成本部署；研究对象是癫痫辅助诊断，而非 BCI 控制任务。 方法将 EEG 表示为时空图，通过 GAT 分析通道间关系与时间动态。作者将原本侧重节点的 GAT 调整为面向边的分析，以突出可能的连接生物标志物，并为低保真记录设计预处理流程。摘要还说明采用轻量化 GAT，在 Google Colab 上训练并部署至 RaspberryPi；具体图构建方式、边分析机制、预处理步骤、模型规模及设备运行开销尚未验证。 作者报告，在所述记录的分类评估中，该方法的 Accuracy 及多个会话中的稳健性优于随机森林分类器和图卷积网络，并突出额颞区域的特定连接。摘要未提供具体数值、样本量、标签定义、数据划分或统计信息，因而不能将“多个会话中的稳健性”直接视为已验证的 Cross-session 泛化，也不能据此判断其临床诊断效能或公平性。 复现时需核对受试者与会话的训练测试划分、低成本采集设备及通道配置、噪声处理、对照模型设置，以及连接解释的稳定性。数据和代码可用性、实验协议、消融及统计信息尚未验证；额颞连接目前应理解为作者报告的解释线索，而非已确立的癫痫生物标志物。