通过多空间对齐实现跨物种与跨模态癫痫发作检测

基于摘要分析。本研究针对癫痫发作检测中跨物种、跨记录模态的数据利用问题，提出结合域适应与知识蒸馏的多空间对齐方法，旨在利用人类与犬类、头皮与颅内 EEG 的异质数据，改善目标物种或模态标注极少时的检测表现。主要研究对象是 EEG 癫痫发作检测，而非通用 BCI 解码。 机制上，作者通过深度学习对齐跨物种与跨模态 EEG 信息，将异质来源的数据用于目标域检测。摘要未说明具体对齐空间、损失函数、教师与学生模型配置，以及训练和推理流程，这些实现条件尚未验证。 作者报告，在多个人类与犬类的头皮及颅内 EEG 数据集上，在目标物种或模态仅有极少标注数据的跨物种、跨模态检测设置中，AUC 超过 90%，并优于传统同物种、同模态模型。该结果为 AUC，不能解释为 Accuracy 超过 90%。摘要未给出数据集名称、样本或被试规模、目标域标注量、迁移方向、划分方式和各项基线数值，实验协议、消融及统计信息尚未验证，尚不能据此比较不同迁移设置的收益。 作者提出该思路可能推广至其他 BCI 范式，并用于汇集大型 EEG 模型的训练数据，但摘要未提供相应验证。平台推测（待验证）：若不同来源保留可迁移的任务相关结构，多空间对齐可能有助于缓解 EEG 标注不足及分布差异；可复用的是域适应与知识蒸馏框架，需要改造的是任务标签对应、通道表示和采样条件。跨物种生理差异、头皮与颅内信号空间差异及低信噪比均可能导致负迁移。一个可检验的小实验是在固定目标域少标注预算和独立测试集下，对比仅目标域训练、直接合并数据及多空间对齐，并检验去除对齐或蒸馏后的变化。已有其他 EEG 相关工作尚未检索确认。