用于基于 EEG 的卒中评估的联邦 GNN

基于摘要分析。本研究针对多医疗机构在不交换患者数据的条件下协同开展卒中严重程度评估的问题，将联邦学习（FL）与 Graph Neural Networks（GNNs）结合，使用 EEG 预测 National Institutes of Health Stroke Scale（NIHSS）评分。其主要研究对象是临床严重程度回归，而非 BCI 指令解码。 方法上，各医院以本地 EEG 数据共同训练共享 GNN 模型；模型利用掩码自注意力机制捕捉显著的脑连接模式，并通过 EdgeSHAP 提供卒中后神经状态预测的事后解释。摘要未说明 EEG 如何构图、节点与边的定义、掩码生成方式、回归损失或联邦聚合策略，这些实现细节尚未验证。EdgeSHAP 的解释也不能直接视为脑连接与卒中严重程度之间的因果证据。 作者报告，在来自四家机构的 EEG 记录上，NIHSS 预测的平均绝对误差（MAE）为 3.23，并称其接近人类专家的平均误差（MAE 约 3.0）。摘要未提供被试数、NIHSS 分布、数据划分、是否包含独立机构测试及专家误差的获取协议，因此目前不能确认模型与专家是否在可直接比较的条件下评估，也不能将该结果视为已验证的跨被试或跨机构泛化能力。 作者将不交换患者信息作为隐私优势，但摘要未交代参数更新的安全防护、隐私威胁模型或正式隐私保证。复现需进一步核对 EEG 预处理与图构建、机构间数据异质性、联邦训练配置，以及集中式和本地训练对照。实验协议、消融及统计信息尚未验证；现有材料不足以据此提出临床实践建议。