使用稳健的基于残差的字典学习框架消除 iEEG 记录中的伪 HFO

基于摘要分析。研究面向局灶性难治性癫痫患者的 iEEG，旨在从初步检测的高频振荡（HFO）候选事件中识别并剔除伪 HFO，以减少高频伪迹造成的假阳性，改善基于 HFO 的癫痫发作起始区（SOZ）定位；其主要对象是癫痫电生理事件分析，而非 BCI 解码。 方法采用带注意力机制的级联残差字典学习框架，并结合随机森林分类器。框架使用 Huber loss 进行稳健稀疏表征，以真实 HFO 学得的字典评估候选事件的表征质量，从而识别模拟 HFO 的非神经源伪迹与噪声。摘要未提供注意力机制、残差级联、分类特征或损失组合的具体实现。作者报告，学习所得字典的浅层捕获原始 HFO 的形态，深层则在无人为监督下捕获 ripple 与 fast ripple 成分；这一表述不能据此推广为整个分类流程均无监督。 作者报告，研究分析了十五名局灶性癫痫患者的一小时 iEEG 数据，但摘要未明确该时长是每名患者还是合计。以三名专家的视觉评估为参照，真实 HFO 与伪 HFO 的分类 Accuracy 为 92.14%；训练与测试划分、是否为跨被试评估、类别比例及专家一致性尚未验证。 作者报告，在含噪 iEEG 数据中，该方法使基于 HFO 的 SOZ 定位改善 20%（p=6e-5），在干净 iEEG 数据中改善 4%（p=3.3e-3）。摘要未明确定位指标、对照流程及改善幅度的计算方式，因此不能将这些百分比解释为 Accuracy 的百分点提升，也不能直接比较两种数据条件下的绝对定位表现。 复现需进一步核对候选 HFO 检测流程、真实 HFO 字典的构建与数据划分、专家标注协议、噪声分组标准及 SOZ 参照定义。实验协议、消融及统计信息尚未验证；摘要亦不足以确认代码与数据的可获取性。所报告结果支持进一步评估该方法的癫痫定位价值，但不构成 BCI 有效性或临床实践建议。