Epi-Spec2State：通过频谱图图像序列构建卷积状态空间模型，用于 EEG 信号中面向预测的癫痫发作状态分类

基于摘要分析。该研究针对癫痫 EEG 频谱图方法难以突出关键频带、捕捉长期时间动态的问题，提出 Epi-Spec2State，将增强时频图像序列与卷积状态空间模型结合，用于面向预测的癫痫发作状态分类。主要研究对象是癫痫状态分析，而非通用 BCI 解码或域适应算法。 方法上，模型通过短时傅里叶变换与非线性频率映射生成时频图像序列，以突出关键频带；随后结合卷积层、池化操作与状态空间模型提取时空依赖，并利用滑动窗口保留时间动态。频率映射的具体形式、状态空间模块结构、训练目标及窗口配置尚未验证。 数据包括来自四名药物难治性癫痫患者的私有临床 sEEG 数据，以及 Bonn、CHB-MIT 和 Siena 三个公开 EEG 数据集。作者报告，在临床 sEEG 数据的四项患者特异性任务中，Accuracy 为 96.40%–96.60%，Specificity 为 98.20%–98.30%。作者还报告，在公开数据集的混合被试与跨被试验证中，该方法在多项指标上优于九种对照方法；摘要未提供各数据集的具体分数、任务类别与划分细节，不能据此量化跨被试优势，也不能将不同协议的结果直接比较。 阅读与复现时应重点核对非线性频率映射、卷积和状态空间模块各自的增益，以及滑动窗口生成与训练测试划分的关系。实验协议、消融及统计信息尚未验证，私有数据的可获取性和代码开放情况也尚未验证。作者将其潜在用途延伸至发作前预警，但摘要未给出预警时间范围、连续监测误报或前瞻性评估结果，因此目前应将其视为状态分类研究及预警应用潜力，而非已验证的临床预警系统。