利用生成式扩散模型进行癫痫发作预测的数据增强

基于摘要分析。本文研究 EEG 癫痫发作预测中的数据增强问题，提出扩散式增强方法 DiffEEG，通过逐步加噪与去噪生成合成 EEG 样本，旨在增加训练数据多样性并改善分类器表现。 核心机制包含两个过程：扩散过程逐步向 EEG 输入加入不同尺度的噪声，直至转化为随机噪声；去噪过程利用学习到的数据分布，从随机噪声出发逐步生成合成数据。作者认为，随机噪声输入有助于增加样本多样性，而学习到的表示可保持特征空间的一致性。摘要未提供去噪网络结构、训练损失、采样步骤及条件生成方式，这些实现细节尚未验证。作者将已有增强方法概括为线性变换并据此提出生成式增强动机，该概括的适用范围仍需结合正文核对。 作者将 DiffEEG 与原始数据、down-sampling、sliding windows 和 recombination 方法比较，并结合五种代表性分类器进行实验。作者报告，在使用 DiffEEG 增强的 Multi-scale CNN 上，CHB-MIT 数据库的平均敏感度为 95.4%、FPR 为 0.051/h、AUC 为 0.932；Kaggle 数据库对应为 93.6%、0.121/h 和 0.822。摘要未说明被试数量、数据划分、预测时间窗口、发作前期定义及平均方式，因此这些数值不能据此用于跨协议比较。作者称其达到最先进表现，但具体对照范围与公平性尚未验证。 阅读与复现的重点是确认扩散模型与分类器的数据划分关系、合成数据比例，以及增强收益在不同分类器和被试上的稳定性；还需核对合成信号的生理合理性与生成成本。实验协议、消融及统计信息尚未验证。本文直接面向 EEG 癫痫发作预测，其结果不应自动外推为运动想象、SSVEP 或其他 BCI 任务中的有效性证据。