Siam-ALS：基于 EEG 与眼动信号进行 ALS 早期检测的可解释孪生深度学习框架

基于摘要分析。Siam-ALS 面向肌萎缩侧索硬化症（ALS）检测，将同步 EEG 与眼动（ET）信号联合建模，通过孪生深度学习与成对度量学习提取互补特征，并在联合嵌入空间中分析预测依据。该研究的主要对象是多模态 ALS 识别，而非直接验证 BCI 控制或通信能力。 机制方面，框架使用卷积 EEG 编码器捕获时空模式，使用基于 MLP 的 ET 编码器表征眼动动态；模态特征经过权重共享的孪生分支处理，融合为 64 维联合嵌入，再由轻量分类器预测 ALS。成对度量学习旨在帮助模型从规模较小、异质性较高的 ALS 数据中学习判别表征。具体配对策略、损失形式、融合方式及训练细节尚未验证。 作者报告，在公开 EEGET-ALS 数据集的严格被试级交叉验证下，Accuracy 为 0.988、AUROC 为 0.998，表现优于所比较的经典机器学习、深度学习及非孪生融合方法；摘要未给出各基线数值、被试规模和折数。作者还报告，在独立 BigP3BCI 数据集上的 Cross-dataset 评估取得约 0.98 的 AUROC，并将其解释为跨不同 BCI 范式的泛化证据。该结论仍需结合两数据集的标签定义、模态可用性、训练与测试流程，以及是否存在目标域适配来核对，不能仅据这一指标认定临床泛化成立。 可解释性方面，作者在学习到的嵌入空间中评估了六种 XAI 方法，报告 SHAP 的保真度最高，但与其他方法在统计上相当。嵌入解释如何映射回 EEG 与 ET 原始特征，以及这些特征是否具有稳定的临床意义，尚需正文支持。复现时应重点核对被试级隔离、预处理与同步流程、配对构造、单模态及非孪生对照、跨数据集协议和统计不确定性。标题所称“早期检测”还需病程、疾病阶段及对照人群信息支撑；实验协议、消融及统计信息尚未验证。