用于长时程头皮 EEG 自动癫痫发作检测的深度学习方案

基于摘要分析。该研究针对长时程头皮 EEG 人工审阅耗时且易出错的问题，提出基于深度卷积神经网络（CNN）的自动癫痫发作起始检测方法，以无监督特征学习减少对人工特征设计的依赖。研究对象是癫痫发作监测，而非 BCI 指令解码。 核心方法：摘要将 CNN 用于无监督特征学习，并通过四折嵌套交叉验证优化 CNN 参数。无监督学习的具体目标、特征学习与检测器的衔接方式、网络结构、信号分窗和预处理流程尚未验证，不能据此认定整个检测流程均无需标签。 数据与结果：作者报告，在包含 23 名儿科患者、181 次癫痫发作、总时长 526 小时的头皮 EEG 数据上，经四折嵌套交叉验证优化参数后，所得检测模型的平均灵敏度为 86.29%，平均误检率为每小时 0.74 次，平均检测延迟为 2.1 秒。这些指标分别反映发作检出能力、误报负担和响应速度，不应替换为 Accuracy 或直接与不同协议的结果比较。 验证边界：摘要称所得模型具有泛化能力，但未明确折间是否按患者划分，因此尚不能认定其结果属于 Cross-subject 评估。复现时需核对训练与测试的划分单位、嵌套交叉验证流程、发作事件匹配标准、误检计数方式及延迟定义，并确认类别不平衡处理与对照基线。具体实验协议、消融及统计信息尚未验证。该结果支持对长时程 EEG 发作检测方法的进一步审阅，不构成其他 EEG 任务或 BCI 有效性的证据。