利用 EEG 时空特征融合进行癫痫发作预测

基于摘要分析。本研究针对多通道 EEG 的癫痫发作预测，提出结合 Graph Attention Network（GAT）与 Temporal Convolutional Network（TCN）的端到端模型，以联合提取空间关系和时间相关性，识别发作前状态。主要研究对象是癫痫发作预警，并非通用 BCI 解码。 机制上，低通滤波后的 EEG 首先进入 GAT 提取多通道空间特征，再由 TCN 捕获时间特征。作者将这一时空融合路径作为对主要关注局部特征的 CNN 方法的改进，并称无需特征工程。摘要未说明图节点与边的构建方式、注意力计算细节、TCN 的时间感受野、损失函数及训练设置，这些实现条件尚未验证；“无需特征工程”也不意味着无需预处理，摘要明确使用了低通滤波。 作者报告，在公开 CHB-MIT 数据库上，片段级 Accuracy 为 98.71%、Specificity 为 98.35%、Sensitivity 为 99.07%、F1 为 98.71%；事件级 Sensitivity 为 97.03%，False Positive Rate（FPR）为 0.03/h。摘要未交代这些结果对应的被试内或跨被试协议、训练测试划分、发作前窗口定义、预测时间范围及事件匹配规则，因此应分别理解片段级与事件级结果，不能据此直接推断跨被试泛化或临床预警有效性。 作者认为时空特征融合带来了更好的预测表现，但摘要未提供对照方法及其数值，优势幅度尚不能核实。复现时需核对滤波参数、EEG 分段与通道处理、图构建、数据划分、预警判定和 FPR 的计时口径；实验协议、消融及统计信息尚未验证。尤其需要检查 GAT 与 TCN 各自对事件级预警表现的贡献，以及不同被试上的性能稳定性。