基于生成对抗网络的半监督癫痫发作预测

研究针对 EEG 癫痫发作预测中标注数据受限的问题，提出先利用无标签 EEG 训练 GAN，再用其判别器提取特征、结合有标签数据训练分类器的半监督方法。基于摘要分析，未取得论文全文。 方法以 28 秒 EEG 窗口为输入，通过短时傅里叶变换进行预处理。GAN 的无监督训练不使用发作起始信息；训练后的判别器充当特征提取器，所得特征再输入两层全连接层，对有标签 EEG 进行分类。作者指出，该分类部分也可由其他分类器替代。其主要机制是将无标签数据驱动的特征学习与有标签数据驱动的预测分类分开，而非仅依赖手工设计患者特定特征。 作者报告，在 CHBMIT 头皮 EEG 数据集与 Freiburg Hospital 颅内 EEG 数据集上，AUC 分别为 77.68% 和 75.47%。摘要未交代被试内或跨被试协议、训练与测试划分、发作前期定义、预测时间范围及对照基线，因此这两个结果不能直接用于比较不同记录模态的预测难度，也不能等同于 Accuracy 或临床预警有效性。 作者另建议融合 EEG、心电信号、体温与时间信息，但摘要未提供多模态融合的实现及独立效果，不能将其视为已验证贡献。作者认为，无需发作标签的训练可在 EEG 记录过程中进行，并减少患者特定特征工程；其实时性、个体适用性与实际计算开销仍需正文证据支持。复现时需核对 GAN 训练配置、频谱处理、无标签数据范围、患者与发作事件的划分方式，以及误报和预警时间指标；实验协议、消融及统计信息尚未验证。