EpiTAR-Bench：癫痫模型迁移性、适应性与可靠性基准评估

基于摘要分析。研究针对癫痫检测与预测模型在异质记录条件下迁移性、适应性和可靠性缺乏系统评估的问题，提出统一基准 EpiTAR-Bench，并提出面向电极配置部分可观测且异质的迁移模型 RIVER。 基准覆盖五个数据集、七个迁移方向，包括 Cross-dataset（跨数据集）、跨模态及跨时间分布偏移；比较四类共十六个模型、两种窗口长度及五档目标域监督量。摘要未提供数据集名称、模型清单、窗口具体时长、监督量定义或数据划分，因而尚不能判断各条件的可比性。RIVER 的具体结构、训练目标与电极异质性处理机制亦尚未验证。 作者报告，在零样本跨数据集迁移中，EEG 基础模型是表现最强的基线类别，而较长窗口并无一致优势。对于跨数据集任务及跨模态检测，适应收益集中于较低目标域监督量条件，相关比较经 Holm 校正后 p ≤ 0.0004；跨模态预测呈正向但不显著的差异（p = 0.1605），跨时间迁移则未呈现类似模式。摘要未提供这些比较的效应量及具体检验定义，不能仅据显著性判断实际收益大小。 作者报告，在癫痫检测中，先从头皮 EEG 迁移、再使用目标域 iEEG 监督，可缩小与直接使用 iEEG 训练的差距；癫痫预测仍保留较大的残余差距。作者还报告，判别能力、校准及癫痫发作起始区（SOZ）证据并不总是一致，提示这些维度应分别核对，而不宜以单一性能指标代替可靠性评价。 该研究的主要对象是癫痫 EEG 分析，而非通用 BCI 控制任务。全文、实验协议、消融及统计信息尚未验证，数据与代码的可获取性也需进一步确认；摘要结果不能直接视为临床有效性或其他 BCI 任务迁移效果的证据。