用于基于头皮 EEG 自动检测皮层扩散性抑制并估计其宽度的时空图注意力网络

基于摘要分析。研究针对利用头皮 EEG 非侵入式检测皮层扩散性抑制（Cortical Spreading Depression，CSD）并估计其宽度的问题，提出端到端时空图注意力网络 CSD-STGAT。主要研究对象是 CSD 波的检测与参数估计，而非 BCI 指令解码；训练和测试均使用覆盖不同宽度与传播速度范围的模拟 CSD 数据。 机制上，CSD-STGAT 同时学习 CSD 的时间与空间特征，并将各电极随时间的检测结果拼接，以进一步评价整体时间检测表现。摘要未提供图构建方式、注意力实现、损失函数及宽度估计输出形式，相关细节尚未验证。 作者报告，在高密度 EEG 模拟条件下，窄 CSD 的归一化宽度估计误差低于 10.96%，所有宽度的平均归一化误差为 6.35%±3.08%。相较 CSD-SpArC，窄 CSD 的“时空跟踪准确率”最高改善 14%（摘要未明确为相对百分比还是百分点），网络规模仅为其十分之一；该指标按各电极的检测表现定义，不应与常规分类 Accuracy 混同。对于宽 CSD，作者报告最佳时空跟踪准确率为 86.27%±0.53%，相较 CSD-SpArC 的性能下降低于 0.38%（差值口径尚待核对）。在 CSD 间隔为 5–60 分钟的模拟数据中，作者报告假阳性率低于 0.7%。 作者将轻量化架构视为实时检测与参数估计的潜在基础，但摘要未提供实际运行延迟或真实患者 EEG 验证。模拟信号生成方式、高密度 EEG 的通道配置、训练与测试划分、归一化误差定义、统计量含义、消融及统计信息均尚未验证；因而这些结果不能直接等同于临床场景中的检测可靠性。