基于通道选择的时间卷积网络用于患者特异性癫痫发作检测

基于摘要分析。本文针对患者特异性 EEG 癫痫发作检测，提出通道选择时间卷积网络 CS-TCN，将时频特征、通道筛选与时序建模结合，旨在减少所需 EEG 通道并保持检测性能。其主要研究对象是自动癫痫发作检测，而非 BCI 控制任务。 方法先将 EEG 划分为 2 秒片段，提取时域和频域特征，再以 expanded fisher score 通道选择方法筛选对发作检测贡献较大的通道，最后将所选通道特征输入 TCN，以捕获 EEG 的时间依赖并检测发作。摘要未提供具体特征定义、最终通道数量、TCN 结构、损失函数及训练设置，相关细节尚未验证。 作者报告，在 CHB-MIT 和 Siena 数据集的患者特异性检测评估中，样本级分析的敏感度分别为 98.56% 和 98.88%，特异度分别为 99.80% 和 99.88%。事件级分析中，两数据集的敏感度分别为 97.57% 和 95.00%，检测延迟分别为 6.91 秒和 18.62 秒，每小时误检率（FDR/h）分别为 0.11 和 0.39。上述数值对应各自数据集与分析粒度，不能将样本级敏感度等同于事件检出率；具体训练测试划分、事件判定及延迟计算规则尚未验证。 作者称该方法在两个数据集上优于现有先进少通道算法，并降低模型复杂度与计算需求，但摘要未列出对照方法、开销测量及统计信息，实验协议、消融及统计信息尚未验证。其居家检测价值目前属于作者提出的应用潜力，仍需核对长时连续监测表现、通道选择是否仅使用训练数据，以及跨会话条件下的稳定性；患者特异性结果不应外推为跨患者泛化能力。