基于图挖掘、迁移学习与变换学习的癫痫发作预测

基于摘要分析。该研究针对 EEG 癫痫发作预警，核心思路是先建模并预测非发作期皮层活动，再利用预测误差的异常变化判断发作是否临近；结合动态同步图、迁移学习和用于提高迁移效率的变换方法，而非直接对发作片段进行分类。 方法上，作者将 EEG 信号采集建模为鸡尾酒会问题，利用 Independent Component Analysis（ICA，独立成分分析）分离发作相关活动，以抑制其对非发作期建模的影响。随后以电极为节点、两两对应关系为边构建动态 EEG 同步图，从图和原始信号中提取 38 个特征，并通过特征选择保留低冗余、能充分描述非发作期 EEG 的特征。在选定特征上学习 AR(1) 一步预测算子，再通过 Transfer Learning 在患者与记录之间共享知识，并引入一种变换以提高迁移效率。最终依据预测误差中的异常值触发预警；变换形式、迁移目标及异常阈值设置尚未验证。 作者报告，相对于标注的发作起点，中位预警提前时间为 11.04 分钟，所引既有工作基准为 1.25 分钟。摘要未明确两者是否采用相同数据、划分与报警规则，因此不能据此认定其在统一协议下优于基准。该结果也不能等同于 Accuracy、发作检出灵敏度或低误报水平。 复现时需核对患者与记录规模、训练测试划分、跨患者知识共享是否涉及目标患者数据、同步关系的计算方式、特征选择范围，以及报警阈值和误报评价。实验协议、消融及统计信息尚未验证，尤其需结合单位时间误报次数、发作检出情况和预警窗口，判断较长提前时间的实际意义。该研究的主要对象是 EEG 癫痫发作预警，摘要并未提供通用 BCI 解码效果的证据。