READS-V：通过基于骨架的时空 ViG 实时自动检测监控视频中的癫痫发作

基于摘要分析。该研究针对持续癫痫发作监测中 EEG 设备带来的佩戴与便携性限制，提出基于患者视频骨架的时空 Vision Graph 神经网络 VSViG，并结合概率累积决策实现实时发作检测。主要研究对象是视频中的癫痫相关动作，而非 EEG 信号解码或 BCI 控制。 技术机制：VSViG 使用骨架时空图建模识别患者动作，旨在改善既有骨架动作识别方法对细微发作动作的辨识能力。系统进一步将模型输出概率与累积函数结合，形成发作检测决策。摘要未提供骨架提取方法、图构建方式、训练损失、时间窗口或决策阈值，尚不能据此还原具体实现。 结果与评估背景：在作者收集的患者视频数据上，作者报告 VSViG 相比既有先进动作识别模型取得更好的准确性及计算效率，给出的指标为错误率 5.9%、计算量 0.4G FLOPs、模型规模 1.4M；摘要未明确模型规模单位及 FLOPs 的输入长度口径。加入上述决策规则后，作者报告相对于 EEG 发作起始的检测延迟为 5.1 秒，相对于临床发作起始提前 13.1 秒，并报告零误检。两个时间指标采用不同参照起点，不能互换，也不应将提前临床起始理解为提前 EEG 起始预测。 验证与复现：被试数量、发作类型、监测时长、数据划分、是否采用跨被试评估、对照模型及统计不确定性均尚未验证；零误检的适用范围需结合这些条件判断，不能外推为全天候居家监测中的零误报保证。摘要提供了项目主页，但代码、数据与完整复现条件尚未核实。该工作可作为视频辅助癫痫监测方法阅读，现有材料不支持其已替代 EEG 诊断或已验证 BCI 有效性的结论。