跳到正文
OpenReview · EEG· Dennis Tang; Jon Donnelly; Alina Jade Barnett; Lesia Semenova; Jin Jing; Peter Hadar; Ioannis Karakis; Olga Selioutski; Kehan Zhao; M. Brandon Westover; Cynthia Rudin·· 2025-12-31精选AI 评分72

这段 EEG 与这些 EEG 相似:使用 ProtoEEG-kNN 进行可解释的发作间期癫痫样放电检测

This EEG Looks Like These EEGs: Interpretable Interictal Epileptiform Discharge Detection With ProtoEEG-kNN

AI 导读

基于摘要分析。该研究针对 EEG 中发作间期癫痫样放电(IED)的检测,提出内在可解释模型 ProtoEEG-kNN,通过与训练集中相似 EEG 样例比较,为检测结论提供基于案例的视觉解释。主要研究对象是癫痫相关 EEG 标志物检测,而非 BCI 控制或意图解码。 核心机制是基于案例的推理:将输入 EEG 与训练集中具有相似 IED 形态(波形)和空间分布(位置)的样例进行比较。解释不仅涉及波形外观,也涉及放电的空间位置,旨在让医生能够结合专业知识审视模型判断并识别可能的错误。摘要未交代相似性度量、特征学习、训练目标、邻居选择及最终决策规则,不能仅凭模型名称推断具体实现。 作者报告,ProtoEEG-kNN 在该检测任务上可达到最先进的 Accuracy,并提供专家相较现有方法更偏好的视觉解释。但摘要未给出具体数值、数据集、被试数量、数据划分、对照模型或专家评价流程,因此尚不能判断检测性能和解释偏好的适用范围,也不能将专家偏好等同于临床纠错能力或诊断获益。 复现时值得核对训练样例检索与测试数据的划分关系、形态与空间分布相似性的定义,以及专家评价是否测量了错误识别或决策改善。实验协议、消融及统计信息尚未验证;代码、模型权重与数据可用性也尚未验证。摘要不支持将该方法的效果直接推广为其他 EEG 任务或 BCI 场景中的已验证收益。

阅读价值

值得核对其基于相似训练样例的解释能否同时反映 IED 形态与空间分布,以及作者报告的专家偏好是否有助于识别模型误判;具体评估协议尚未验证。

来源:OpenReview · EEG · openreview.net