EEG 信号癫痫发作检测深度学习模型的解释

基于摘要分析。该研究针对 EEG 在线癫痫发作检测中深度学习模型难以解释的问题，将领域知识融入输入信号准备、网络架构及输出后处理，并从时间聚合、频率特征和波形贡献三个层面分析模型的判断依据。研究对象是癫痫发作检测，而非 BCI 控制任务。 技术分析包括：将模型对信号片段的分类结果聚合到发作事件级；分析不同模型首个卷积层学习到的频率模式，考察其与 delta、theta、alpha、beta、gamma 频段的关系；使用 DeepLIFT 所揭示的激活差异，定位对发作期（ictal）类别预测贡献较大的信号波形。摘要未提供具体输入处理、网络结构、训练损失或事件聚合规则。 作者报告，首层卷积核尺寸会影响所提取特征的可解释性及模型敏感度，但经过后处理后，各模型最终性能非常接近。这提示阅读时应区分片段级模型差异与事件级检测结果，不能仅凭后处理后的指标判断模型内部特征是否相同。作者还报告，幅度是促成发作期预测的主要特征，并据此提出可能需要更大患者群体才能学习更复杂的频率模式；该解释不等于已证实幅度具有充分的临床判别能力。 作者报告，方法能够在所研究人群的大多数患者中泛化患者间差异，分类 F1 为 0.873，并检测到 90% 的癫痫发作。摘要未说明数据集、患者人数、训练与测试划分、F1 的计算单位及发作检测判定标准，因此不能将其直接认定为严格 Cross-subject 评估，也不能把发作检出比例与分类 F1 混为同一指标。实验协议、消融及统计信息尚未验证；复现时需核对患者隔离方式、卷积核设置、后处理规则、误报情况以及 DeepLIFT 的参考输入与归因稳定性。