DeepSOZ：用于多通道 EEG 癫痫发作起始时间与空间位置联合定位的稳健深度模型

基于摘要分析。该研究针对多通道头皮 EEG 中癫痫发作的时间检测与起始区空间定位，提出监督学习框架 DeepSOZ，将两项任务联合建模。其主要研究对象是癫痫 EEG 分析，而非 BCI 控制任务。 机制方面，DeepSOZ 使用 transformer encoder 生成全局编码与通道级编码：全局分支结合 LSTM 完成时间维度的发作检测；另一分支通过注意力加权的多实例池化聚合通道级编码，预测 seizure onset zone（癫痫发作起始区）。摘要描述其输出分辨率为时间上约每秒一次、空间上达到 EEG 通道级；通道级预测不应直接等同于精确的脑内解剖定位。监督标签的构建方式、两项任务的损失及权重、输入预处理尚未验证。 作者报告，在从 Temple University Hospital corpus 整理的 120 名患者数据上，采用 bootstrap 嵌套交叉验证进行评估；与基线方法相比，DeepSOZ 在多任务设置下具有稳健的整体表现。摘要未提供具体指标、数值、基线名称及数据划分细节，因此不能量化其优势，也不能确认该评估是否属于 Cross-subject 协议。作者还评估了单次发作内及同一患者内的预测一致性，将其视为建立临床工作流可信度的初步步骤，而非已完成临床验证。 复现时需核对患者与发作在各折中的划分、起始区标注依据、通道配置、检测与定位的评价指标，以及一致性分析的定义。实验协议、消融及统计信息尚未验证；摘要亦未说明代码与模型权重的可用性。