使用 Switching State Space Model 检测颅内 EEG 数据中的高频振荡

基于摘要分析。该研究针对颅内 EEG 中高频振荡（HFO）持续时间短、易被低频振荡背景掩盖且人工标注耗时的问题，提出利用 Switching State Space Model（SSSM）自动、即时识别 HFO 事件，不依赖从滑动窗口中提取特征。原论文的主要研究对象是癫痫术前评估中的 HFO 检测，而非 BCI 控制或任务解码。 研究背景与方法：摘要指出，HFO 通常仅持续约 4 个振荡周期，在长时间记录及可达数百个颅内电极的应用场景中，人工识别负担较大；这些数字描述的是研究背景，并非已明确的实验样本规模。HFO 被视为可能帮助定位致痫区（EZs）的生物标志物，但摘要并未证明检测结果能够直接完成致痫区定位。方法以切换状态空间模型识别事件，关注 HFO 的出现及持续时间；具体状态定义、观测模型、状态切换机制、参数学习与推理流程尚未验证。 结果与证据边界：作者报告，在接受癫痫术前评估的人类被试颅内 EEG 记录上验证了方法，并在捕捉 HFO 出现及持续时间方面取得更高的准确性。摘要未提供指标定义、具体数值、对照方法、被试数量、数据划分或被试内／跨被试评估背景，因此不能量化性能增益，也不能据此确认跨被试泛化能力。“即时”检测是作者的表述，实际处理延迟及在线运行条件尚未验证。 复现关注点：应进一步核对 HFO 标注标准、频段与采样率、训练及测试划分、事件匹配规则，以及持续时间误差的计算方式。实验协议、消融及统计信息尚未验证，代码与参数配置的可获得性也尚未确认。该研究与颅内神经信号分析直接相关，但摘要不足以支持其对 BCI 任务的有效性判断。