面向神经系统症状预测的资源高效与数据受限训练方法

基于摘要分析。本文针对神经系统症状预测中云端训练、端侧推理模式面临的数据隐私、标注负担及信号条件变化问题，提出基于 transformer 的端侧训练框架，并在 EEG 癫痫发作预测任务上进行验证。其主要贡献是将面向硬件与计算效率的训练方法，与减少标注需求的半监督学习相结合。 机制上，框架采用 direct feedback alignment（DFA）支持模型训练，并结合定制数据增强技术开展半监督学习。摘要未说明 DFA 的具体实现、transformer 结构、增强操作、损失函数及端侧更新流程，因此尚不能判断其计算与存储优势的实际幅度。电极位移和生理状态变化是作者提出的应用动机，但摘要不足以确认实验是否直接验证了对这些变化的适应能力。 结果方面，作者报告，在不同标注比例下，预测 sensitivity 和 false positive rate 分别平均改善 6.39% 和 0.05/h。摘要未明确对照基线、标注比例取值及平均方式，也未说明 6.39% 是相对增幅还是百分点变化；其中 0.05/h 应保留为假阳性率改善量，不能当作最终假阳性率。 复现时需核对数据集、被试规模、被试内或跨被试划分、发作预测时间窗与评估协议，以及端侧设备上的训练耗时、内存和能耗。还需核对 DFA、半监督学习及数据增强各自的贡献。上述实验协议、消融及统计信息尚未验证；现有摘要支持其 EEG 癫痫发作预测研究定位，不足以外推为通用 BCI 解码效果或临床有效性。