用于 EEG 癫痫发作识别的无监督多变量时间序列 Transformer

基于摘要分析。研究针对 EEG 癫痫发作识别依赖专家片段标注的问题，将发作识别建模为无监督异常检测：仅使用不含发作的 EEG 训练带有 Transformer 编码器的自编码器，在推理时依据重建误差区分发作与非发作窗口。 核心机制是学习无发作 EEG 的重建模式，并引入面向多变量时间序列的掩码策略。作者将其描述为首个用于原始 EEG 癫痫发作识别的无监督 Transformer 模型，但该优先性声明尚未独立核实。摘要未提供掩码在时间与通道维度上的具体设计、无监督损失形式、重建误差汇总方式或判别阈值，因此尚不能据此还原实现。方法不依赖发作片段标签进行模型训练，但需要取得可确认不含发作的训练记录，不宜将其理解为完全无需数据筛选。 作者报告，在三个公开 EEG 基准数据集的发作与非发作窗口区分任务中，相对监督学习对照，recall、accuracy 和 AUC 的提升最高分别为 16%、9% 和 9%，并称在高度类别不平衡数据上尤其有益。摘要未说明这些提升是相对百分比还是百分点，也未提供数据集名称、基线细节、被试内或跨被试协议及具体划分，不能直接外推为跨被试泛化效果。 复现时需核对无发作训练数据的筛选、训练与测试的被试及记录隔离、窗口划分、阈值选择依据，以及掩码策略和 Transformer 编码器的贡献。实验协议、消融及统计信息尚未验证。作者提出其可能有助于更易获得的癫痫早期检测，但摘要中的窗口分类结果不等同于临床早期诊断或部署有效性证据。