ChronoProto：单次正样本事件能与不能实现的个体化

基于摘要分析。该研究关注癫痫发作预测中的仅正样本个体化：患者首次可用发作之前的发作前期 EEG 可以提供正样本，但不足以直接确定后续窗口相对于发作间期背景的排序。作者提出 ChronoProto 及相应协议，强调背景参考假设是个体化方法必须明确说明的组成部分。 协议仅开放目标患者首次发作前期事件的数据，不将目标患者的背景数据用于拟合。ChronoProto 在冻结的源域表征中，将首次事件原型与固定参考进行对比。理论分析把成对排序误差拆分为原型误差与参考失配，并进一步将原型误差分为受有效支持量影响的事件内采样误差，以及首次事件到未来事件的分布偏移。作者给出一维构造：即使正样本分布已知，相同已观测信息仍可能对应相反的 oracle 排序，说明仅靠正样本信息无法消除对显式参考假设的依赖。 作者报告，在 CHB–MIT 的 13 名患者、28 次后续发作上，仅更换参考就使患者宏平均 AP 从 0.2656 变为 0.3191。经源域选择的线性 SVM 达到 0.3175 AP；其与 CP-0 的配对 AP、AUROC 差值区间均跨越零，因此这些结果不足以支持二者存在明确性能差异。摘要未展开 CP-0 的具体定义，也未给出区间构造方法。 阅读重点是参考来源、源域表征的训练与冻结方式、首次事件原型的估计，以及源域模型选择规则。具体数据划分、窗口构造、有效支持量定义、消融及统计信息尚未验证；上述 AP 结果也不应等同于临床发作预警效用。该工作的直接对象是 EEG 癫痫发作预测，不能据此推断其对其他 BCI 任务同样有效。