用于基于 EEG 的卒中评估的联邦 GNN

基于摘要分析。该研究针对多医疗机构在不交换患者数据的条件下协同利用 EEG 评估卒中严重程度的问题，将联邦学习（FL）与 Graph Neural Networks（GNNs）结合，以回归方式预测 National Institutes of Health Stroke Scale（NIHSS）评分。主要研究对象是卒中严重程度评估，而非 BCI 控制或运动想象解码。 方法上，各医院使用本地 EEG 数据共同训练共享 GNN；模型通过掩码自注意力机制捕捉显著的脑连接模式，并使用 EdgeSHAP 对卒中后神经状态的预测提供事后解释。摘要未明确图的节点与边如何构建、连接特征如何计算，也未说明联邦聚合、损失函数及机构间数据差异的处理方式，这些实现细节尚未验证。 作者报告，在来自四家机构的 EEG 记录上，NIHSS 预测的平均绝对误差（MAE）为 3.23，并称其接近人类专家的平均误差（MAE 约为 3.0）。摘要未交代被试数量、NIHSS 分布、训练与测试划分，以及评估是否涉及未参与训练的机构或被试，因此不能将该结果直接解释为跨被试或跨机构泛化能力。人类专家误差的来源与评分条件，以及集中式训练、各机构独立训练等对照结果，也需全文核对；实验协议、消融及统计信息尚未验证。 其可核对的技术价值在于联邦协作、脑连接建模与解释工具的组合。原始数据留在本地可减少直接共享医疗记录的需求，但不能仅凭这一点认定已获得完整隐私保障，仍需核对参数或梯度传输的保护措施及威胁模型。EdgeSHAP 给出的连接贡献属于模型事后解释，不能直接视为卒中病理机制的因果证据。复现需要明确 EEG 预处理与图构建、机构划分、联邦训练配置、NIHSS 标签获取方式和解释评估协议；代码与数据的开放情况尚未验证。