用于实时癫痫发作监测的两阶段预测与检测框架

该研究面向非医院环境中的癫痫发作监测，提出两阶段预测与检测框架 PDNet，旨在兼顾高灵敏度、低误报率、短检测延迟和轻量计算。基于摘要分析，未取得论文全文；其主要研究对象是 EEG 癫痫发作监测，而非 BCI 控制或意图解码。 核心机制是按需激活：第一阶段使用轻量发作预测器，仅当其预测即将发生发作时，才启动第二阶段的高精度检测器，对发作状态进行分类。作者以此减少计算量，并使用半监督学习增强预测器的决策边界，使其承担 EEG 预处理作用，而不只是预测。检测器采用软标签区分发作状态；软标签的构造方式、半监督训练流程、网络结构及损失函数尚未验证。 在 CHB-MIT scalp EEG database 上，作者报告 PDNet 的灵敏度为 99.0%、FAR 为 0.43/h、检测延迟为 3.52 秒，计算量为 3.02 M 次乘加运算（MAC）。摘要未说明这些结果采用被试内还是跨被试评估，也未提供数据划分、事件匹配规则、延迟计时起点或 MAC 的计算范围，因此不能直接与其他协议下的结果比较。作者认为其在上述指标上具有竞争力，但具体对照基线、消融及统计信息尚未验证。 复现时需重点核对预测器触发阈值、漏触发对整体灵敏度的影响，以及第二阶段激活频率与总计算量的关系；还需确认软标签如何表达发作过程。作者提出这类细粒度信息可能帮助护理人员或临床医生制定针对性干预，但摘要未提供相应临床效益验证。数据库评估也不能直接证明可穿戴设备上的实时功耗、连续监测可靠性或非医院环境中的泛化能力；代码与硬件部署条件尚未验证。