融合新型空间聚类先验的癫痫性尖波与癫痫发作自动检测

基于摘要分析。该研究主要面向 MEG 癫痫性尖波自动检测，提出按传感器空间位置聚类通道，并通过卷积输入模块融合空间聚类信息与信号时间变化，再由作者开发的 MEEG-ResNet3D 判别输入片段是否包含尖波。研究还将方法用于 EEG 癫痫发作检测，提供另一任务上的评估结果；这不等同于已验证的 BCI 解码效果。 核心机制：作者认为，既有方法将时间片段内全部通道信号编码后分类，未充分利用邻近传感器同时出现尖波的现象。本文以传感器位置形成空间聚类先验，再将聚类与时间变化整合到卷积输入中。其方法依赖多通道时间序列及传感器空间信息，但摘要未说明聚类算法、分组数量、输入张量组织、网络层数、损失函数和训练策略，这些细节尚未验证。 结果：作者报告，在来自两个中心的真实世界 MEG 数据集 Sanbo-CMR 上，尖波检测 F1 为 94.73%，较所比较的先进方法提升 1.85%；摘要未明确该提升是相对百分比还是百分点。在 TUSZ 的 EEG 癫痫发作检测任务上，作者报告 weighted F1 较所比较的先进方法提升 1.4%，同样未明确提升口径，也未给出绝对分数。两项结果的被试规模、数据划分、被试内或跨被试协议、对照方法及统计信息尚未验证，不能据此直接比较两类任务的性能。 复现重点是确认传感器坐标及通道配置如何用于聚类、空间先验在不同中心和记录条件下如何保持一致，以及性能增益能否归因于聚类输入模块而非其他模型变化。还需核对发作检测的评价单位、weighted F1 的计算方式与类别构成，并检查相应消融和统计结果。摘要中的 EEG 评估支持继续核对方法适用范围，但尚不足以推断其在运动想象、SSVEP 或其他 BCI 任务中的有效性。