基于信号时序逻辑神经网络的可解释癫痫检测

基于摘要分析。该研究面向 EEG 癫痫发作与非发作数据的自动分类，提出神经符号模型 signal temporal logic neural network（STONE），将多视图特征表示与加权信号时序逻辑（wSTL）结合，使分类结果能够以人类可读的时序公式表达。其主要研究对象是癫痫检测，而非 BCI 指令解码。 技术机制上，方法先通过多视图特征提取获得频谱与线长特征，再由 STONE 进行分类。模型中的每个神经元都有对应于 wSTL 公式组成部分的符号表示；与传统 STL 推断算法相比，STONE 被设计为端到端可微，可通过反向传播学习。摘要未给出具体网络结构、损失函数或逻辑算子的可微实现，这些细节尚未验证。 解释性方面，作者称学习结果可转化为描述 EEG 信号演化的 wSTL 公式，并可进行可视化，从而展示分类器依据的癫痫特征。这提供的是模型决策依据的符号化表达，不宜直接等同于癫痫发生机制的因果解释；公式稳定性、临床可理解性及其与分类决策的一致性仍需核对。 作者报告，在两个 EEG 数据库上，与现有先进模型比较时，STONE 在 Accuracy、Sensitivity 和 Specificity 上表现良好。摘要未提供数据库名称、具体数值、被试数量或被试内／跨被试划分，因此不能判断效果幅度，也不能据此确认跨被试泛化能力。实验协议、消融及统计信息尚未验证。 复现时需从全文核对特征计算与时间窗口、wSTL 公式生成方式、训练设置、数据划分及对照条件，尤其应确认可读公式与实际分类过程的对应关系。材料没有提供代码或复现资源信息，其可获得性尚未验证。