基于分层时间趋势整合与自监督学习的癫痫发作检测

基于摘要分析。本文针对 EEG 癫痫发作检测中的标注稀缺、患者间差异和记录非平稳性，提出 Federated Temporal Learning（FTL），通过共享骨干网络联合训练监督分类任务与 Temporal Sequence Consistency Learning（TSCLM）自监督任务，以学习多尺度时间模式及子序列顺序关系。主要研究对象是癫痫发作检测，不能据此认定其为 EEG 基础模型或已验证的 BCI 方法。 机制上，骨干由 Hierarchical Temporal Trend Integration Modules（HTTIMs）构成，提取不同尺度的长短期趋势，并自顶向下混合；Temporal Self Supervision Head（TSSH）通过学习子序列间的顺序关系，在不依赖人工标签的情况下引入时间位置感知。训练使用含混合系数 δ 与划分比例 τ 的联合目标，但摘要未给出其具体定义及损失形式。推理时移除自监督头，仅保留分类预测路径。尽管框架名称含 Federated，摘要未说明客户端、通信或聚合机制，不能据名称认定其实现了联邦学习。 理论方面，作者报告分析了算法稳定性，并给出半监督目标下经验风险与期望风险之差的界，用于讨论标注数据量与优化条件的关系；成立假设及界的具体形式尚未验证。 实验方面，作者报告在 TUSZ v2.0.1 上 Accuracy 为 99.16%、Precision 为 99.19%、Recall 为 99.65%、宏平均 F1 为 97.17%；在 Zenodo NICU EEG 上分别为 95.61%、96.78%、94.67% 和 96.87%。这些结果对应各数据集，但摘要未交代被试数、数据划分、标注比例、评估单位及除 F1 外的指标平均方式，不能判断其属于被试内还是跨被试评估，也不能直接跨数据集比较。作者称达到先进水平，具体对照基线、实验协议、消融及统计信息尚未验证。 复现时应重点核对患者级划分、预处理与样本构建、有限标注设置，以及 HTTIMs 和 TSCLM 各自的贡献；临床可靠性还需结合事件级检出、误报负担及独立数据验证，不能仅由摘要中的分类指标推定。