基于通道扰动卷积神经网络与双向长短期记忆网络的患者独立癫痫发作检测

基于摘要分析。研究针对癫痫发作检测方法依赖特定患者、泛化能力不足的问题，提出结合通道扰动、CNN 和 BiLSTM 的患者独立多通道 EEG 检测方法，并在两个头皮 EEG 数据库上进行评估。主要贡献是将训练期通道扰动与时序建模相结合，以支持对未见患者的发作检测；其具体跨患者划分仍需全文核对。 方法首先通过小波分解预处理多通道 EEG，再由 CNN 提取特征，并利用 BiLSTM 捕捉特征的时间变化。训练阶段引入 channel perturbation，以增强模型泛化能力；模型输出再经过 smoothing 和 collar 后处理，目标是降低误检率（FDR）并提高敏感度。摘要未说明通道扰动的具体操作、网络深度、输入窗口、损失函数及后处理参数，这些实现条件尚未验证。 在摘要所述患者独立检测评估中，作者报告：CHB-MIT 公共头皮 EEG 数据库上的片段级平均 Accuracy 为 97.51%，事件级平均敏感度为 86.51%，平均 AUC-ROC 为 90.82%；在作者采集的 SH-SDU 头皮 EEG 数据库上，对应结果分别为 93.70%、89.89% 和 90.75%。摘要未交代 AUC-ROC 的统计层级，片段级 Accuracy 与事件级敏感度不能相互替代；两个数据库上的评估也不能直接视为跨数据集迁移验证。 复现与结果解释需核对患者划分、片段构建与类别分布、事件匹配规则、FDR 定义及统计单位，以及后处理对告警时间和事件合并的影响。摘要未给出具体 FDR 数值，因而尚不能判断降低误检率这一目标的实现程度。通道扰动、BiLSTM 和后处理的独立增益，以及基线、消融和统计信息均尚未验证。该研究的直接对象是 EEG 癫痫发作检测，不应将其结果等同于其他 BCI 任务的有效性证据。