基于 EEG 或 ECG 的癫痫发作识别 AI 系统比较研究

基于摘要分析。该研究比较 EEG 与 ECG 在自动癫痫发作识别中的表现，关注 ECG 作为更易穿戴的长期动态监测信号是否具有替代或补充价值。研究采用两种信号专用模型，并在独立医院患者数据上进行非患者特异的仅推理测试，考察临床场景中的泛化表现；主要研究对象是癫痫发作识别，而非 BCI 控制任务。 方法方面，作者为 ECG 实现带残差层的卷积神经网络（CNN），为 EEG 实现卷积长短期记忆模型（ConvLSTM）。两种模型均在公开可访问的 Temple University Hospital（TUH）数据集上训练、验证和测试，再对澳大利亚悉尼 The Royal Prince Alfred Hospital（RPAH）的患者 EEG 与 ECG 数据进行仅推理评估。摘要未提供具体网络配置、训练损失、信号预处理和 TUH 数据划分方式，实验协议、消融及统计信息尚未验证。 外部评估选取了 31 名成年患者，以平衡广泛性、额叶、额颞叶、颞叶、顶叶及未明确局灶性癫痫等类型的分组。作者报告，在这些患者的 EEG 与 ECG 测试中，AUC 均达到 0.75；摘要未明确这一数值的患者间汇总方式。作者还报告，在额叶和顶叶局灶性发作患者中，ECG 相较 EEG 的平均 AUC 分别高 0.21 和 0.11。上述结果限于该外部患者样本及对应模型，不能据此认定 ECG 在所有癫痫类型中优于 EEG。 作者将特定发作起源下 ECG 的潜在优势与自主神经系统相关网络输入联系起来，但摘要中的分类结果不能单独验证这一生理机制。由于 EEG 与 ECG 同时采用了不同模型，阅读全文时需核对信号模态与模型选择对差异的贡献，以及各组样本量、置信区间、事件标注、窗口设置和阈值下的敏感度与特异度。公开 TUH 数据有助于复现训练环节，但代码可用性及 RPAH 数据获取条件尚未验证。