基于概率分类的低延迟癫痫发作检测深度学习方法

基于摘要分析。该研究针对实时癫痫发作检测中检测延迟难以缩短的问题，将传统二分类改为概率预测，通过过渡期软标签、多尺度时频特征及累积决策实现低延迟检测。研究对象是头皮 EEG 与颅内 EEG 的患者特异性发作检测，而非跨被试泛化或发作前预测。 方法上，作者在面向发作的 EEG 记录中引入 crossing period（过渡期），为该时段样本设计软标签；采用多尺度 STFT 特征提取结合 3D-CNN 估计样本概率，再以 rectified weighting strategy 校正预测概率，并通过累积决策规则触发检测。过渡期的精确定义、软标签计算方式、概率校正公式及决策阈值尚未验证，不能据此认定其能够在 EEG 发作起始之前预警。 评估采用患者特异性的留一发作交叉验证。作者报告，在 CHB-MIT 头皮 EEG 数据集上，99 次发作中有 94 次在过渡期内被检出，EEG 发作起始后检出比例为 100%；过渡期样本的校正发作预测概率（RPIP）平均误差为 14.84%，检测延迟为 2.3 秒，误检率（FDR）为 0.08 次/小时。在 SWEC-ETHZ 颅内 EEG 数据集上，89 次发作中有 84 次在过渡期内被检出，EEG 发作起始后检出比例为 100%；RPIP 误差为 16.17%，检测延迟为 4.7 秒，FDR 为 0.08 次/小时。摘要未给出 RPIP 误差的具体计算定义。 作者报告，检测延迟较既往研究所报最先进结果至少缩短 50%；该比较是否采用一致的数据划分、延迟起点和误检统计口径，尚需全文核对。复现时还需确认窗口构造、患者内训练与测试划分、阈值选择、连续记录评估方式，以及各模块消融和统计信息；这些内容尚未验证。当前证据支持考察其患者特异性低延迟检测机制，不足以推断跨被试表现或临床部署有效性。