FedCareX：面向可穿戴 IoT 癫痫发作预测的信任感知联邦 Transformer

基于摘要分析。该研究面向耳后 EEG 的院外连续癫痫发作预测，针对原始记录不能离开临床站点、患者间导联配置不同，以及部分标签来自自动标注器的问题，提出 FedCareX，将导联配置无关的分词、轻量级发作前期 Transformer 编码、可靠性感知联邦聚合与通信压缩结合起来。 核心机制是避免仅按样本量给站点赋权，以降低低质量标注站点对共享模型的影响：聚合规则综合标注质量、梯度一致性和探测集一致性；另以稀疏化误差反馈编码器压缩上行更新。摘要未给出可靠性指标的计算方法、探测集构建方式、训练损失及具体模型规模，相关实现尚未验证。 作者报告，在五中心可穿戴 EEG 语料上，FedCareX 的敏感度为 83.1±0.6%，每小时误预测次数为 0.38；相较摘要所称的“最佳 2026 年基线”，敏感度提高 2.8 个百分点，误预测率相对降低 13.6%。该敏感度增益采用分层 bootstrap 区间 [1.1, 4.4] 个百分点呈现，而非合并显著性检验。在包含 23 个患者客户端的头皮 EEG 基准上，作者报告敏感度为 92.8±0.4%，每小时误预测次数为 0.22，并称基于 23 对独立客户端的配对 Wilcoxon 符号秩检验显示相对基线的差异显著；摘要未提供具体基线名称或 p 值。 作者另报告，上行通信量缩减 22.1 倍，至每客户端每轮 0.22 MB；在所测网关平台上，边缘推理每窗口耗能 28.9 mJ，低于该平台实测的每窗口 55 mJ 预算。这些资源结果需结合窗口长度、硬件与压缩配置解读。 复现时需核对发作前期定义、预测时间范围、数据划分、患者与中心隔离方式、自动标注质量估计，以及各模块消融。摘要中“±”的统计含义、数据集名称及代码可用性尚未验证；五中心结果的推广范围也需结合中心间差异审视。该工作研究的是 EEG 癫痫预测，不能直接视为其他 BCI 任务有效性的证据。