面向小样本癫痫 EEG 信号的快速零阶 TSK 模糊系统多中心知识迁移校准

基于摘要分析。该研究针对不同医疗机构的癫痫 EEG 样本质量与分布差异，以及小型或单一机构难以依赖大规模高质量数据建模的问题，提出 Multicenter Knowledge Transfer Calibration with rapid zeroth-order TSK fuzzy system（MKTC-R0T）。其主要研究对象是癫痫 EEG 诊断与分类，而非 BCI 控制任务。 机制上，MKTC-R0T 为各中心采用零阶 TSK 模糊系统作为基线模型，并在多中心学习框架中实施知识迁移校准：先在大型医疗机构建立基础中心模型，再通过模拟遗忘机制随机遗忘部分基础中心知识，将保留的知识用于辅助中心快速部署模型；最后整合各中心知识，指导目标中心建立用于分类的高效线性系统。摘要未说明知识的具体表示、遗忘比例与选择方式、知识整合公式、优化目标或训练求解过程，这些技术细节尚未验证。 作者报告，在 12 个癫痫 EEG 信号数据集上的实验中，MKTC-R0T 在运行时间、部署速度、规则复杂度、泛化能力与鲁棒性方面优于其他典型算法。摘要未提供数据集名称、被试数量、分类任务、具体对照算法、指标数值及数据划分，因而尚不能确定这些结果对应何种跨被试或跨中心评估协议，也不能据此量化优势。 复现时需核对中心划分与目标中心可用样本、预处理及特征提取、知识遗忘与整合的实现，以及部署耗时的计算边界。框架将患者隐私保护和模型可解释性列为目标，但摘要不足以确认数据共享边界、隐私保障机制及解释性验证方式；实验协议、消融及统计信息尚未验证。上述分类实验结果也不能直接视为临床诊断有效性或 BCI 任务有效性的证据。