结合多尺度局部二值模式的超维计算用于头皮 EEG 癫痫发作检测

基于摘要分析。研究面向可穿戴头皮 EEG 癫痫发作检测，关注设备模型权重受限、训练数据有限，以及低幅度、非平稳信号下局部趋势特征不够稳健的问题。作者提出 multiscale LBP-based HDC（MSLBP-HDC），在不同时间分辨率上提取动态特征，结合超维计算（HDC）识别与发作相关的异常皮层振荡；其主要研究对象是癫痫检测，而非 BCI 控制任务。 核心机制：传统局部二值模式（LBP）侧重单个样本附近的局部变化，可能难以稳健描述头皮 EEG 的趋势。MSLBP-HDC 将特征提取扩展到多个时间尺度，并依据尖波持续时间确定各尺度长度。摘要未给出具体尺度、LBP 编码细节、超维向量构造、训练更新或推理规则，因此尚不能判断其收益主要来自时间尺度设计还是 HDC 表征方式。 作者报告：在所测试的全部癫痫发作类型上，该方法的 Specificity 最高；相较所比较的先进深度学习、支持向量机和 HDC 方法，其宏平均 Accuracy 具有竞争力，且模型权重大小最小。在仅使用原训练数据的 1% 的少样本设置下，作者报告其表现优于已有方法，并取得较高 Accuracy。摘要未提供具体数值、数据集、被试数、数据划分、基线名称和抽样方式，不能据此推断跨被试或跨会话泛化能力。 作者还报告，时域与空间域的特征可解释性分析显示，模型提取的是发作相关特征，而非噪声或伪迹；这一结论的验证方式与适用范围仍需正文核对。复现重点包括尖波持续时间如何确定、各尺度与采样率的关系、少样本抽样及类别分布、模型权重统计口径，以及误报和发作级检测表现。实验协议、消融及统计信息尚未验证；摘要也未提供可穿戴设备上的实测时延与能耗，不能将小权重直接等同于已验证的实时部署能力。