融合新型空间聚类先验的癫痫棘波与癫痫发作自动检测

基于摘要分析。本研究主要针对 MEG 癫痫棘波自动检测，提出按传感器空间位置聚类通道、再联合编码空间分组与信号时间变化的方法，并在 EEG 癫痫发作检测任务上评估其适用性。其核心贡献是将邻近传感器可能同时出现棘波的空间先验纳入输入表示，而非仅将时间片段内的所有通道信号交给模型分类。 方法先依据 MEG 传感器位置对通道聚类，再通过新型卷积输入模块整合空间聚类与时序变化，随后送入作者开发的 MEEG-ResNet3D，提取特征并判断片段是否包含棘波。摘要未披露聚类算法、簇数、输入排列、网络结构细节、损失函数及训练设置，具体实现尚未验证。 作者报告，在来自两个中心的真实世界 MEG 数据集 Sanbo-CMR 上，棘波检测 F1 为 94.73%，并称较所比较的先进方法提升 1.85%；摘要未明确该提升是相对百分比还是百分点。在 TUSZ 的 EEG 癫痫发作检测评估中，作者报告 weighted F1 较所比较的先进方法提升 1.4%，同样未明确提升口径，也未给出绝对分数。上述结果对应不同信号与检测任务，不能直接比较；被试数量、数据划分、被试内或跨被试协议、具体基线、消融及统计信息尚未验证。 复现时需重点核对空间聚类如何构建、MEG 与 EEG 的输入模块是否采用相同配置，以及通道布局差异对结果的影响。现有材料支持其作为神经信号事件检测方法的阅读价值，但尚不能据此认定其对一般 BCI 解码任务有效，也不能将作者在 TUSZ 上报告的表现扩展为临床有效性结论。