基于迁移学习的个体化癫痫发作成簇预测模型：使用 iEEG

该研究针对数据有限且类别不平衡条件下的个体化癫痫发作成簇预测，提出结合目标患者与相似患者预测模型的迁移学习方法。基于摘要分析，其任务是在一次发作终止后，预测未来24小时内是否还会发生更多发作，而非检测已经形成的发作簇。 方法上，模型针对每位目标患者，组合该患者及另外两位发作模式相似患者各自训练的个体级预测模型，并使用近似 Kullback-Leibler divergence 衡量高维数据中的患者相似性。摘要未交代相似性计算所用特征、个体模型结构、模型组合方式或训练损失，这些实现细节尚未验证。 作者报告，在长期动态监测 iEEG 数据集上，相较于个体化预测模型，该方法对数据有限或高度不平衡的患者带来最高51.0%的 F1 提升；摘要未明确该提升的计算口径，不能改写为百分点变化。作者另报告平均 F1 为0.702、precision-recall 曲线下面积为0.809。被试数量、训练与测试划分、平均方式及统计不确定性尚未验证，因此这些结果尚不足以判断跨患者和跨时间的稳定性。 该工作的主要研究对象是癫痫发作成簇风险预测，而非通用 BCI 解码。复现时需核对患者相似性与来源患者筛选所用的数据范围、类别不平衡处理、模型组合规则，以及目标患者数据量变化时的表现；实验协议、消融及统计信息尚未验证。作者提出该模型可能有助于指导发作簇治疗，但摘要未提供临床干预获益的验证证据。