用于颅内与头皮 EEG 数据分析的基于卷积神经网络的通用癫痫发作预测方法

基于摘要分析。该研究针对癫痫发作预测对手工特征及患者定制特征工程的依赖，提出以 STFT 时频表示和 CNN 特征提取、分类构成的通用处理流程，在颅内与头皮 EEG 数据上开展回顾性、患者特异性的发作预测。这里的“通用”指向不同数据集采用相同方法思路，摘要并未证实跨被试或跨数据集直接迁移。 技术机制：作者将 EEG 切分为 30 秒窗口，相邻窗口重叠 50%，使用 Short-Time Fourier Transform（STFT）提取时频信息，再对覆盖整个频率范围的 STFT 分量进行标准化，以减轻低频特征对高频特征的影响。随后由 CNN 同时承担特征提取与分类，区分发作前期（preictal）和发作间期（interictal）片段。具体网络结构、标准化统计量的估计范围及训练设置尚未验证。 作者报告，在回顾性、患者特异性评估下，Freiburg Hospital iEEG 数据集的敏感度为 81.4%、假预测率（FPR）为 0.06 次/小时；Children's Hospital of Boston-MIT 头皮 EEG 数据集分别为 81.2% 和 0.16 次/小时；Kaggle American Epilepsy Society Seizure Prediction Challenge 数据集分别为 82.3% 和 0.22 次/小时。原摘要将头皮 EEG 缩写为 sEEG，此处按其原意表述，不将其解释为立体定向 EEG。作者还报告，在三个数据集的大多数患者中，该方法在统计上优于非特异性随机预测器。 解释这些结果仍需核对患者与发作数量、训练测试划分、发作前期定义、预测时间窗、报警合并规则，以及随机预测器和统计检验的具体设置。尤其需要结合重叠窗口的划分方式理解评估协议，不能仅凭摘要判断其影响。实验协议、消融及统计信息尚未验证；现有材料也不足以推断前瞻性临床预警或闭环神经刺激的有效性。