RobustSeiz：用于评估 EEG 癫痫发作检测模型鲁棒性的开源框架

基于摘要分析。该研究针对 EEG 癫痫发作检测器在留出数据上表现良好、却可能在采集条件变化、伪迹及对抗输入下失效的问题，提出模型无关的开源框架 RobustSeiz，以标准化、可复现的受控分布偏移协议开展部署前压力测试，而非提出新的发作检测模型。 框架将 CHB-MIT、TUSZ、Siena 和 SeizeIT1 四个公开头皮 EEG 数据集统一组织为 BIDS-EEG 目录结构，在留出划分上评估被试独立的检测器，并按预定义超参数网格扫描环境、噪声与对抗变换。摘要未明确训练集与测试集的具体被试划分，也未说明是否开展跨数据集训练与测试，不能将数据格式统一等同于跨数据集泛化验证。 评估同时覆盖样本级与事件级 sensitivity、precision、F1、每 24 小时误报数、发作起始时间的 Lead 和 Lag，以及 Monte Carlo dropout 预测一致性。这一设计使检测质量、误报负担、起始时间偏差与预测一致性能够在同一压力测试流程中被观察；预测一致性不能直接等同于经过校准的置信度或临床安全性。 作者报告，以一个当代癫痫发作检测器在 TUSZ 上完成了全部已实现偏移网格的演示，并通过 AWGN 分析展示扰动强度对检测质量、起始时间和预测一致性的影响；摘要未提供具体分数、变化幅度或基线比较，尚不能判断鲁棒性下降程度或模型间优劣。作者还说明框架包含 Docker 化 GPU 流程、实验注册表，以及完整评估与研究子集模式，可作为核对可复现性的入口。 需进一步验证变换参数与真实临床采集条件的对应关系、事件匹配及起始时间指标定义、数据划分、检测器配置、统计不确定性和消融设置。该工作的直接对象是 EEG 癫痫发作检测，摘要不支持将其结果推广为其他 BCI 任务的有效性证据。