迈向模态无关的癫痫发作分类：面向异构 EEG 与颅内 EEG 信号的统一深度学习框架

基于摘要分析。本文研究如何在统一框架中处理来自不同被试与来源的 EEG 和 iEEG，以完成癫痫发作分类；核心贡献是结合异构信号协调、基于 cGAN 的数据增强及 EEGNet-ViT 分类网络。主要研究对象是癫痫监测中的神经信号分类，而非通用 BCI 控制任务。 方法上，作者提出 Unified Multimodal Signal Harmonization（UMSH），用于协调不同采样率和记录条件下的信号；使用 Conditional Generative Adversarial Network（cGAN）生成合成样本，以缓解严重的类别不平衡；通过 EEGNet-Vision Transformer（EEGNet-ViT）学习局部判别模式与全局上下文。摘要未说明 UMSH 的具体变换、cGAN 的条件变量与训练方式，以及 EEGNet 和 ViT 的连接结构，这些实现细节尚未验证。 作者报告实验结果支持框架在癫痫发作分类中的有效性，并认为整合 EEG-iEEG 学习具有用于癫痫监测与临床决策支持的潜力。但摘要未提供数据集名称、被试数、分类标签、指标数值或对照基线，也未明确采用被试内、跨被试或跨数据集协议。因此，目前不能量化其优势，也不能将统一处理多种记录理解为已验证对未见模态的泛化能力。摘要开头同时讨论发作预测与检测，但所述方法和结果聚焦分类，不能据此认定其已验证发作前预测。 复现时需核对信号协调是否保留与发作相关的时空信息、不同模态及来源如何进入训练与测试、合成样本是否仅用于训练，以及类别不平衡条件下各指标的解释。实验协议、消融及统计信息尚未验证；临床应用潜力仍需独立验证。