BrainNet：基于层次化图扩散学习的 sEEG 癫痫波检测

基于摘要分析。该研究面向临床 sEEG 中的癫痫波检测，提出 BrainNet，通过联合学习动态扩散图与脑电波扩散模式，建模不同脑区之间的活动传播，并利用自监督任务和层次化框架应对标签不平衡及严重噪声。其主要研究对象是癫痫电生理信号检测，而非 BCI 控制或意图解码。 核心机制：作者以癫痫波可能沿脑区间路径传播为建模依据，将传播关系纳入数据驱动的图学习。摘要指出，精确提取每位患者的致痫网络仍是开放问题；因此，模型学习到的动态扩散图不能直接等同于经临床验证的致痫网络。自监督任务的具体目标、层次化框架的组织方式、图构建与更新规则、损失函数及训练与推理流程尚未验证。 数据与结果：研究使用来自多位患者的真实 sEEG 数据。作者报告，在该数据集的癫痫波检测实验中，BrainNet 优于若干来自时间序列分析领域的先进基线。摘要未提供患者数量、记录规模、标注标准、具体基线名称、评价指标及数值，也未明确采用被试内还是跨被试划分，因此目前无法判断提升幅度、泛化范围或不同协议下的可比性。作者声称这是首项基于真实 sEEG 数据集的数据驱动癫痫波检测研究，其优先性尚未检索确认。 复现与证据边界：需核对完整实验协议、消融及统计信息，尤其是患者与时间片段的划分方式、标签不平衡处理、自监督任务和层次化设计各自的贡献，以及所学图是否有独立的临床或电生理验证。数据与代码可用性尚未验证。摘要中的检测结果不足以证明该方法能够准确定位致痫网络、支持手术决策，或迁移至其他 EEG/BCI 任务。