用于个体化癫痫发作检测的知识蒸馏图神经网络

基于摘要分析。该研究针对日常可穿戴癫痫发作监测中全电极 EEG 采集不便的问题，提出将全电极教师检测器的知识迁移至少通道、轻量化学生检测器的方法，并结合个体化通道选择降低采集需求。研究对象是 EEG 癫痫发作检测，而非 BCI 控制任务。 方法上，教师与学生均采用 graph neural networks（GNN），利用连接信息进行检测。摘要区分两种方案：一是使用预先选定的通道，为所有患者训练一个共享学生模型；二是为每位患者训练个体化学生模型，并通过 Gumbelsoftmax 进行个体化通道选择。知识蒸馏用于从全电极教师向少通道学生传递信息，但具体蒸馏目标、图构建方式、连接信息来源，以及通道选择与检测器的训练流程尚未验证。 作者报告，在公开的 Temple University Hospital EEG Seizure Data Corpus（TUSZ）实验中，知识蒸馏与个体化均有助于改善癫痫发作检测，尤其适用于 EEG 数据稀少的患者；作者报告，仅使用两个通道也可获得有竞争力的检测表现。摘要未提供具体指标、数值、对照基线或数据划分，因此无法确定这些结果对应何种被试内、跨被试或其他评估协议，也不能量化其相对全电极方案的性能差距。 复现与评估需核对患者级及时间段划分、教师和学生可使用的数据范围、个体化通道选择所需的标注量，以及轻量化的计算与存储开销。实验协议、消融及统计信息尚未验证。少通道结果支持进一步考察可穿戴监测的可行性，但真实佩戴环境下的伪迹鲁棒性、误报负担和临床有效性不能由摘要中的离线检测结果直接推定。