采用双层个性化的联邦 Transformer 轻量化癫痫预测建模

基于摘要分析。该研究面向分布式 EEG 数据中的癫痫发作预测，提出结合客户端级与患者级个性化的联邦 Transformer，以应对数据异质性，并通过知识蒸馏构建融合多模态信号的轻量化患者模型。其主要任务是识别发作前期状态（preictal state），不应与一般癫痫诊断或 BCI 控制任务混同。 机制上，作者认为不同客户端的数据异质性会影响共享自注意力的效果，因此使用 Hypernetwork 学习个性化自注意力层，生成表征 EEG 的注意力图，并取消全局自注意力聚合；摘要同时说明模型参数进行全局聚合，但具体聚合哪些参数、如何与个性化注意力模块衔接尚未验证。客户端级个性化由本地 Transformer 教师模型承担，患者级个性化则通过知识蒸馏获得学生模型，并整合多模态信号。蒸馏损失、模态种类、融合方式及患者级适配流程尚未验证。 作者报告，在摘要所称的 MIT-CHB 数据集上，该方法识别发作前期状态的 sensitivity 为 95.58%、specificity 为 98.61%，并称优于现有模型；摘要未提供具体对照方法、被试内或跨被试划分、发作前期时间窗等评估背景。作者还报告，利用教师模型提供的联邦泛化知识，以多模态数据微调各医院的学生模型时，False Positive Rate（FPR）为 0.014；其统计单位、分母及与上述指标是否来自同一协议尚未验证，不能直接解释为每小时误报次数。 复现时需核对客户端与患者的组织方式、训练测试划分、个性化注意力的参数生成及聚合边界、多模态数据来源，以及学生模型的参数量和推理成本。实验协议、消融及统计信息尚未验证；联邦训练避免集中原始数据并不等同于已验证隐私保障，摘要也不足以支持临床部署或 BCI 有效性的结论。