用于多模态癫痫样放电分析的规范化集成与预训练 EEG 表征

基于摘要分析。本文研究临床视频–EEG 中的发作间期癫痫样放电分析，面向 NeuroMM 2026 Grand Challenge 提出共享 EEG 编码器池的三赛道系统。主要贡献是适用于小规模、分布易偏移临床 EEG 挑战的集成选择与加权协议，而非新的骨干网络。 系统在 vEpiSet 上开展评估；该临床视频–EEG 数据集包含来自 84 名被试的 25,449 个四秒片段。共享模型池包含 67 个 EEG 编码器，覆盖 EEG 原生设计、视觉风格骨干和自监督预训练 EEG 表征，通过规范化集成选择与加权协议组合，并采用保守的测试时增强。三个赛道复用同一批模型检查点；具体赛道任务、被试划分及增强操作尚未验证。 作者报告，在上述挑战评估中，Track 1 的 AUPRC 为 0.9067，Track 2 的 AUPRC 为 0.8304，Track 3 的 Weighted-F1 为 0.5696；赛道任务与指标不同，不能据此直接比较性能。作者报告，受控消融显示：分布偏移下，单调加法选择规则优于贪心权重调优；后期视频融合分支未带来收益；参数超过一千万的模型在最小赛道上出现过拟合。作者还报告，预训练表征是唯一在三个赛道间均可靠迁移的组件，而 Track 1 中表现强的从零训练模型会损害 Track 2 的表现。这些结论限于本文评估设置，不宜外推为所有 EEG 任务的通则。 复现重点是核对选择与加权规则、验证集使用方式、分布偏移定义，以及模型容量与赛道样本规模的关系。摘要称补充材料提供全部配置和复现命令，但其内容、实验协议细节、消融数值及统计信息尚未验证。本文的主要对象是临床癫痫样放电分析，并非 BCI 控制任务，其结果不直接构成 BCI 有效性的证据。