面向小样本癫痫 EEG 信号的多中心知识迁移校准与快速零阶 TSK 模糊系统

基于摘要分析。本文研究不同医疗机构间样本质量与分布差异对小样本癫痫 EEG 诊断和分类的影响，提出 Multicenter Knowledge Transfer Calibration with rapid zeroth-order TSK fuzzy system（MKTC-R0T），旨在帮助小型或单一医疗机构快速构建具有泛化能力和可解释性的分类模型。其主要研究对象是癫痫 EEG 分类，并非 BCI 控制任务。 方法以零阶 TSK 模糊系统作为各中心的基线模型：先在大型医疗机构建立基础中心模型，再通过随机遗忘部分基础中心知识，将剩余知识用于辅助中心的模型部署；最后以知识整合策略汇集各中心的信息，指导目标中心构建用于分类的高效线性系统。摘要将随机遗忘描述为对人脑遗忘机制的模拟，但未提供其数学定义、遗忘比例、知识表示方式或校准细节，不能据此认定其具有生物学机制上的对应性。 作者报告，在 12 个癫痫 EEG 信号数据集上的实验中，MKTC-R0T 相比其他典型算法，在运行时间、部署速度、规则复杂度、泛化能力和鲁棒性方面表现更优。摘要未列出数据集名称、被试数量、具体指标数值、对照算法及数据划分，因此尚不能判断这些结果对应跨被试、跨会话还是跨中心评估，也不能量化改进幅度。 复现时需核对基础、辅助与目标中心的构造方式，各中心可用样本与标签条件，以及随机遗忘和知识整合的实现。作者将患者隐私作为设计目标，但摘要未说明共享的信息类型或隐私保障机制。实验协议、消融及统计信息尚未验证；现有材料也不足以确认该方法对其他 EEG 或 BCI 任务的有效性。