GEPD：用于基于 EEG 检测帕金森病的 GAN 增强泛化模型

基于摘要分析。该研究针对基于 EEG 的帕金森病检测中单个数据集规模较小、不同数据集之间存在差异而导致的跨数据集泛化问题，提出 GAN 增强模型 GEPD，将生成数据与 EEG 分类网络结合。其主要研究对象是帕金森病的 EEG 分类检测，并非 BCI 控制任务。 核心机制包含两部分：生成网络通过控制生成数据与真实数据之间的分布相似性，构造融合 EEG 数据，并配套 EEG 信号质量评估模型以评估生成数据质量；分类网络组合多个卷积神经网络，提取 EEG 的时频特征。作者将保持可泛化结构和便于收敛作为设计目标，但摘要未说明分布相似性的具体度量、生成与质量评估的损失函数、质量筛选方式，以及多个卷积神经网络的组合结构。 作者报告，在跨数据集评估设置下，GEPD 的 Accuracy 为 84.3%，F1 为 84.0%，并称表现与当前先进模型相当。摘要未提供数据集名称、被试数量、源域与目标域划分、对照模型及 F1 的计算方式，因此这些数值尚不能用于不同协议间的直接比较，也不能据此判断临床诊断效用。 复现时应重点核对生成网络使用哪些数据、是否接触目标数据集及其标签、训练与测试是否按被试隔离，以及生成数据质量评估与分类效果的关系。这些是需验证的协议事项，并非已确认的问题。还需核对生成增强、质量评估和分类网络各自的消融贡献，以及结果的统计不确定性；实验协议、消融及统计信息尚未验证。摘要所述诊断与监测属于研究目标，尚不足以构成临床有效性证据。