从癫痫发作分类到检测：面向原始 EEG 信号的深度学习方法

基于摘要分析。该研究面向抗癫痫发作药物（ASM）疗效评估中的发作检测与量化，提出直接处理原始 EEG 的深度学习流程，强调片段级发作分类并不等同于连续记录中的发作事件检测。其贡献包括连续信号分段、发作起止重建，以及严格比较预测与真实发作事件的评估程序。 技术机制方面，预处理在不预先区分发作与非发作活动的条件下切分连续原始 EEG；后处理重新拼接 EEG 片段，以识别发作开始与结束。作者表示训练采用了旨在应对潜在数据泄漏的数据划分策略，但具体划分单位、相邻片段隔离方式及训练测试关系尚未验证。摘要所述最佳架构结合 Convolutional Neural Network 与 Transformer encoder，具体网络配置、损失函数及训练细节未提供。 结果方面，作者报告分类任务与检测任务存在根本差异，且性能表现不同，但摘要未列出两类任务的完整指标或对照数值。作者另报告，在动物 EEG 上训练、在人类 EEG 上测试时，模型在平衡的 Bonn dataset 上达到 F1-score 93%。这一数值应保留其跨物种训练测试与平衡数据条件；摘要未明确其属于片段分类还是严格事件级检测，因此不能直接视为连续临床 EEG 中的发作检测性能。 阅读重点是核对事件匹配规则、起止边界处理、数据划分策略，以及分类与检测结果各自对应的评估协议。实验协议、消融及统计信息尚未验证；动物与人类 EEG 的采集条件、样本构成和预处理一致性也需全文确认。本研究主要对象是癫痫 EEG 发作检测，不构成运动想象等 BCI 任务有效性的证据。