癫痫样 EEG 异常的自动识别

基于摘要分析。研究面向癫痫诊断等长时程 EEG 检查中的自动异常检测，提出用于识别发作间期异常 EEG 片段的机器学习方案，并通过多个公开数据集的组合训练与测试，考察单一数据库开发方法的泛化能力。其主要研究对象是临床 EEG 异常识别，而非 BCI 指令解码。 方法方面，作者先在公开的 TUH Abnormal EEG Corpus 上优化分类器，再在多个公开数据集的组合上重新训练和测试。摘要未说明分类器类型、输入表示、特征提取、损失函数，以及重新训练是否涉及微调或从头训练，因此不能将其直接认定为某种域适应方法。 结果方面，作者报告，各数据集内部取得的结果与已知先进水平相当，但摘要未提供相应指标数值和具体对照；在训练与测试使用不同数据来源的跨数据集设置下，Accuracy 范围为 67.51%–99.50%。这一范围对应不同数据源组合，不能视为同一协议下的单一性能，也不能据此推断跨被试或跨会话效果。作者报告，当训练数据集经过较强预处理且规模相对较小时，Accuracy 较低；预处理与数据规模各自的独立影响尚未验证。 复现与解读时需核对各数据集的异常定义、输入片段及评价单位、训练与测试划分、预处理一致性和重新训练流程。除 TUH Abnormal EEG Corpus 外的数据集名称、样本与被试规模、具体对照、消融及统计信息均尚未验证。该摘要支持关注 EEG 异常检测的跨数据集性能差异，但不构成 BCI 解码有效性或临床部署可靠性的证据。