用于基于 EEG 的帕金森病准确检测的混合卷积–Transformer 方法

基于摘要分析。本研究面向基于 EEG 的帕金森病（PD）检测，提出 convolutional transformer enhanced sequential model（CTESM），结合卷积神经网络、Transformer 注意力模块与长短期记忆层，旨在兼顾分类准确性和泛化能力；研究对象是 PD 患者与健康对照的疾病分类，而非 BCI 控制任务。 机制上，作者以混合架构捕捉 EEG 的空间、时间及序列特征，并结合谱功率分析、频带比值、小波变换和统计量等特征提取技术。摘要未说明这些特征如何输入或融合，也未提供网络配置、损失函数及训练超参数，因此尚不能判断各模块的独立贡献或复现具体实现。 数据方面，作者使用一个公开 EEG 数据集，包含 31 名参与者，其中 15 名 PD 患者、16 名健康对照；记录采用 40 个通道，采样率为 500 Hz。作者报告 CTESM 的分类 Accuracy 为 99.7%，并称其在独立测试数据集上具有较强泛化能力。摘要提及独立的训练、验证和测试阶段，但未明确该 Accuracy 对应的划分、预测单位，以及是否采用 Within-subject 或 Cross-subject 协议；独立测试数据集的名称、规模与具体指标也尚未验证，不能据此认定已完成 Cross-dataset 泛化验证。 阅读与复现应优先核对被试与 EEG 片段的划分关系、预处理和特征提取流程、对照基线、模块消融及统计不确定性。这些信息尚未验证，并不意味着作者未开展相关分析。作者将结果解释为具有早期 PD 临床诊断潜力，但摘要未交代早期患者构成或临床部署验证条件，现有材料不足以确认早期诊断效能或临床可用性。