用于跨患者癫痫发作分类的因果表征学习

基于摘要分析。该研究针对患者间分布偏移影响 EEG 癫痫发作类型分类的问题，提出不变时空表征学习方法，旨在减少模型对伪相关的依赖，提高跨患者分类的适用性。研究对象是癫痫发作类型识别，而非一般 BCI 控制任务。 方法上，作者首先基于 heterogeneous risk minimization（异质风险最小化）将时空 EEG 数据划分为不同环境，以反映数据中的伪相关；随后学习跨环境不变的时空表征，并基于这些表征训练癫痫发作分类模型。其核心思路是显式构造环境差异，再寻找相对稳定的分类信息，而不是依赖训练与测试数据同分布的假设。摘要未说明环境划分的具体变量、表征模型结构、损失形式及训练细节；标题中的“因果”也不能仅凭摘要视为已完成因果识别验证。 作者报告，在 Temple University Hospital Seizure Corpus（TUSZ）上的实验支持该方法有效，但摘要未提供具体指标、数值、对照方法、患者数量或数据划分方式，因此尚不能判断相对增益大小及跨患者泛化的证据强度。复现时需核对患者级训练与测试划分、环境构造所用信息，以及不变表征学习相对基础分类器的独立贡献。实验协议、消融及统计信息尚未验证，代码与复现条件亦未在所给材料中明确。