多模态 EEG 世界模型：面向可穿戴 EEG 癫痫发作检测的自监督潜在状态转移学习

基于摘要分析。该研究针对现有 EEG 表征学习主要关注单个片段内的判别或重建、较少利用相邻片段转移信息的问题，提出 Multimodal EEG World Model，用同步多模态生理信息辅助自监督潜在状态转移学习，服务于可穿戴 EEG 癫痫发作检测。 方法受 Le World Model 启发，将连续 EEG 片段编码到共享潜在空间，并以当前片段表征及同步 ECG、EMG 和运动（MOV）信号为条件，预测下一片段的潜在表征。可学习的 query-based fusion 模块将辅助模态表征聚合为紧凑的生理条件；Sketched Isotropic Gaussian Regularization（SIGReg）用于稳定潜在空间并防止表征坍塌。预训练后仅保留并冻结 EEG 编码器，通过线性二分类探测评估下游任务，因此多模态信号用于预训练，检测阶段仅需 EEG。 作者报告，在 SeizeIT2 可穿戴局灶性癫痫数据集上，采用严格按患者划分的训练、验证和测试集，模型取得 AUPRC 0.3748 ± 0.0127、ROC-AUC 0.8025 ± 0.0071、Balanced Accuracy 0.7308 ± 0.0075，三项指标在所列消融设置中均排名第一。作者还报告，其 AUPRC、ROC-AUC、Balanced Accuracy 和 F1 均优于所评估的外部基线；摘要未给出这些基线的具体名称、分数或 F1 数值。上述结果支持作者关于同步生理信息有助于 EEG 潜在转移学习的结论，但适用范围限于所述数据集与评估协议。 复现需核对 EEG 与辅助模态的同步方式、片段长度及相邻片段构造、转移预测目标、SIGReg 配置和患者划分细节。被试规模、类别分布、误差项含义、重复实验次数、基线训练条件以及消融与统计检验细节尚未验证；摘要也不足以判断跨设备或跨数据集泛化能力。