基于图神经网络知识蒸馏的癫痫发作检测

基于摘要分析。该研究针对全电极 EEG 癫痫发作检测设备日常佩戴不便的问题，通过知识蒸馏将使用全电极数据训练的教师检测器迁移到轻量、少电极的学生检测器。其主要研究对象是癫痫发作监测，而非 BCI 控制任务。 机制上，教师与学生均采用图神经网络（GNN），利用 EEG 的连接信息进行检测。研究考察两种设置：一是使用预先选定的通道，为所有患者学习一个共享学生模型；二是为每位患者学习个体化学生模型，并通过 Gumbel-softmax 进行个体化通道选择。摘要未说明图的构建方式、蒸馏目标与损失形式、教师和学生的结构差异，以及通道选择与检测模型的具体训练流程。 作者报告，在公开的 Temple University Hospital EEG Seizure Data Corpus（TUSZ）上，知识蒸馏和个体化均有助于改善癫痫发作检测，尤其对 EEG 数据较少的患者有益；作者还报告，仅使用两个通道即可获得有竞争力的检测表现。摘要未提供对应指标、数值、对照基线或数据划分，无法判断这些结果属于何种被试内、跨被试或跨会话协议，也不能量化少通道相对于全电极检测的性能损失。 复现时需核对教师与学生的数据使用范围、患者级划分、个体化所需数据量、通道选择的训练与测试边界，以及知识蒸馏和个体化各自的消融结果。实验协议、消融及统计信息尚未验证。少通道结果支持进一步评估可穿戴监测的可能性，但摘要不足以确认实际设备上的计算开销、长期监测可靠性或临床效果。