基于多维特征优化的癫痫样放电条件下眨眼检测

基于摘要分析。该研究面向癫痫患者头皮 EEG 中眨眼伪迹与癫痫样放电波形相似、难以区分的问题，提出多维特征优化的眨眼伪迹检测方法；主要研究对象是含丰富癫痫样放电的 EEG，而非 BCI 任务性能。 方法首先结合平滑非线性能量算子（SNEO）与变分模态提取（VME），通过无监督聚类检测额区导联中的癫痫样放电；随后从额部 FP1、FP2 通道提取多维时域与频域特征，并结合改进 VME（IVME）阈值形成 EEG 表征。研究进一步使用方差过滤进行判别特征选择，最终训练机器学习模型完成检测。摘要未给出分类器类型、特征清单、IVME 的具体改进及阈值确定方式。 作者报告，在浙江大学医学院附属儿童医院（CHZU）来源的 16 名被试 EEG 上，平均敏感度、特异度和准确率分别为 95.04、89.52 和 93.01，并优于所比较的 5 种近期眨眼检测算法。摘要未明确这些数值的单位，亦未说明被试内或跨被试划分、训练测试方式、事件级或片段级评价口径，因此不能据此认定跨被试泛化效果。作者还报告，该方法适用于含高频癫痫样放电的 EEG，并能应对个体差异；相关实验协议、消融及统计信息尚未验证。 其可核对的技术价值在于将癫痫样放电识别纳入眨眼伪迹判别流程，而非仅凭眨眼波形特征检测。复现时需核对放电与眨眼的标注标准、两类事件重叠时的处理、特征筛选和阈值是否仅由训练数据确定，以及各对照算法的统一评估条件。摘要没有提供 BCI 下游任务结果，不能将眨眼检测表现直接解释为 BCI 性能提升。