基于联合概率差异域适应的跨被试癫痫发作检测

基于摘要分析。本文针对离线 EEG 癫痫发作检测中的跨被试分布差异，提出迁移学习框架：利用多个源被试的有标签 EEG 与新目标被试的无标签 EEG，改善目标被试的发作检测表现。核心方法为 joint-probability-discrepancy-based domain adaptation（JPDDA），研究对象是癫痫发作检测，而非 BCI 交互任务。 方法分为两个主要环节：先通过对抗策略识别并选择适合迁移的源域 EEG 样本，再利用 JPDDA 预测目标域样本标签。其联合概率分布差异同时衡量域间可迁移性与类别间可区分性，并结合结构风险和流形一致性学习域不变分类器。摘要未提供这些约束的具体数学形式、优化过程及对抗样本选择的实现细节，尚不能据此确定完整训练流程。 作者报告，在 Children’s Hospital, Zhejiang University School of Medicine（CHZU）数据集的跨被试癫痫发作检测实验中，JPDDA 获得较高检测 Accuracy，并据此认为方法具有良好迁移能力；摘要没有提供具体数值、对照基线或统计不确定性，无法量化其优势。该设定明确使用目标被试的无标签 EEG，属于域适应，不能等同于不接触目标域数据的域泛化。 复现时需核对 EEG 预处理与样本构建、源域和目标域被试划分、目标域无标签数据的使用范围、类别分布及评价口径，并核对源样本选择和各项约束的消融结果。实验协议、消融及统计信息尚未验证；当前材料也不足以判断其在线检测性能或临床适用性。