用于实时癫痫发作监测的两阶段预测与检测框架

基于摘要分析。研究面向非医院环境下可穿戴设备的 EEG 癫痫发作监测，提出两阶段预测与检测框架 PDNet，旨在缓解高灵敏度、低检测延迟、低误报率与轻量计算难以同时兼顾的问题。核心贡献是用轻量预测器进行前置筛选，仅在预测到即将发生的发作时激活高精度检测器，而非持续运行完整检测流程。 机制上，第一阶段采用半监督学习策略改善预测器的决策边界；摘要还指出，该预测器承担 EEG 预处理作用，而不只用于预测，但具体处理方式尚未验证。第二阶段采用软标签区分发作状态，并尝试表达发作发生过程的细粒度信息。其创新重点在于按需触发的计算分配，以及预测器与检测器的协同设计；网络结构、半监督目标、软标签构造和两阶段训练方式未在摘要中展开。 作者报告，在 CHB-MIT scalp EEG 数据库上的评估达到 99.0% 灵敏度、0.43 次/小时 FAR、3.52 秒检测延迟，计算量为 3.02 M 次乘加运算（MAC）。摘要未说明被试内或跨被试协议、数据划分、发作事件匹配规则、延迟起算点及 MAC 的统计范围，因此这些数值只能作为该文所述评估下的结果，不能直接与其他协议的指标比较。作者称其在上述指标上具有竞争力，具体对照基线和统计信息尚未验证。 复现时需核对预测器触发阈值与漏触发对整体灵敏度的影响、未触发时段是否纳入误报及计算统计，以及软标签的定义与评估方式。真实可穿戴硬件上的功耗、运行时延和非医院环境泛化表现尚未验证。作者提出细粒度发作信息可能帮助照护者或临床人员制定针对性措施，但摘要未提供临床效用验证；该研究应理解为 EEG 癫痫监测方法，而非已验证的 BCI 交互系统。