基于多源域适应的高跨被试准确率 EEG 癫痫发作检测算法

基于摘要分析。研究针对 EEG 癫痫发作检测中的跨被试差异与发作样本稀缺问题，提出基于模板匹配的多源域适应神经网络方法，以及自适应校准数据选择方法。主要研究对象是癫痫发作检测，而非 BCI 控制或意图解码。 第一种方法将跨被试检测视为迁移学习任务，通过模板匹配和多源域适应，选择性消减多个源域与目标域之间的差异。摘要未说明模板构建方式、源域选择或加权规则、网络结构及损失函数，因此尚不能判断域对齐如何保留发作相关特征。 第二种方法针对发作数据少于非发作数据的情况，结合平均 Pearson 相关系数与主成分分析，自适应选择源域发作数据，以替代校准所需的发作数据。摘要未明确两者的计算顺序、筛选阈值，以及目标被试校准阶段所需的数据和标签条件；这些信息关系到方法的实际部署成本与适用性。 作者报告，在 CHB-MIT EEG 数据集的跨被试发作检测评估中，Sensitivity 为 85.21%、Specificity 为 93.76%、Accuracy 为 92.50%，并称达到 state-of-the-art 性能。摘要未提供具体被试划分、源域与目标域配置、校准样本量、检测单位及对照基线，因此该性能主张尚不能独立核实，也不宜与不同协议的结果直接比较。实验协议、消融及统计信息尚未验证。 复现时应优先核对跨被试划分、预处理与窗口构建、校准数据可用性、类别比例，以及两种方法各自的性能贡献。尤其需要确认源域发作样本替代校准数据后的收益是否在不同目标被试上稳定成立。当前证据支持将其作为 EEG 跨被试发作检测方法阅读，不支持直接推断其对其他 BCI 任务有效。