通过 EEG 实时无创成像与检测扩散性去极化：一种超轻量可解释深度学习方法

基于摘要分析。本文面向神经重症监护中的扩散性去极化（Spreading Depolarizations，SD）检测，提出融合 EEG 频谱图与时间功率向量的超轻量多模态深度学习方法，旨在降低对固定高密度电极布局的依赖，实现单电极层面的无创识别。其主要研究对象是继发性脑损伤相关事件检测，而非 BCI 控制或意图解码。 SD 通常通过高采样频率的侵入式 ECoG 检测；头皮 EEG 的噪声和信号衰减使无创识别更困难。摘要指出，既有方法主要依赖固定高密度电极图上的 EEG 时间功率变化。本文将一维时间序列上的识别问题转化为连续二维频谱图上的识别任务，并融合时间功率向量，以同时利用频率表征与功率变化信息。作者称该设计可支持灵活的电极布局，并为极低密度、可变电极位置的 EEG 检测提供路径；其适用范围仍需全文实验核对。 作者报告模型处理时间小于 0.3 秒，并与传统方法的 2 小时进行对照，但摘要未说明二者对应的数据时长、硬件、处理流程及是否具有相同任务边界，因此不能将其直接解释为端到端预警延迟的等比例缩短。作者还报告加入频率维度可提高 SD 检测准确性，作为 SD 可能具有隐含频率特征的初步证据；摘要未提供具体 Accuracy、其他检测指标或统计不确定性。 复现需核对频谱图构建方式、时间功率向量定义、融合结构、SD 标注依据、被试与数据划分、对照方法，以及在线处理所需的观测窗口。标题强调可解释性，但摘要未交代具体解释方法。实验协议、消融及统计信息尚未验证；现有材料不足以确认跨被试、跨电极位置泛化或临床预警价值。