基于头皮 EEG 信号的患者独立癫痫发作预测深度学习方法

基于摘要分析。本文研究头皮 EEG 的患者独立癫痫发作预测，目标是在发作前识别发作前期（preictal）状态，并应对患者间 EEG 差异。作者提出采用不同学习策略的两种深度学习架构，利用多名患者的数据学习全局预测函数；其中一种为 Siamese 模型。 技术机制方面，作者认为所提学习策略使 Siamese 模型能够在预测发作的同时学习与患者差异相关的模式。模型使用 MFCC 特征图，但摘要未说明另一种架构的具体形式、Siamese 样本配对方式、损失函数及训练细节，尚不能判断其处理个体差异的具体机制。 作者报告，在 CHB-MIT-EEG 数据集的患者独立癫痫发作预测评估中，两种模型的 Accuracy 分别为 88.81% 和 91.54%，并称其优于既有方法。摘要未交代患者划分、测试患者是否完全未参与训练、发作前期窗口定义、类别比例及对照设置，因此不能将上述数值直接视为严格 Cross-subject 泛化的已验证证据，也不能与其他协议下的结果直接比较。 作者还报告通过模型解释分析分类器行为，并认为 MFCC 特征图包含与发作间期（interictal）和发作前期状态有关的预测性生物标志物；这一结论的解释方法、稳定性及独立验证尚需正文支持。作者提出同一架构经模型适应后也可用于患者特异性分类，但摘要未提供相应评估结果。复现时需核对 EEG 预处理、MFCC 构造、患者与发作事件级划分、适应阶段的数据使用，以及发作事件级检出和误报警评估；实验协议、消融及统计信息尚未验证。本文主要研究对象是癫痫发作预测，不能据此认定其已验证一般 BCI 任务的有效性。