NeuroCanvas：将多通道 EEG 转换为稠密图像，用于 VLLM 驱动的癫痫发作检测

基于摘要分析。研究针对预训练视觉大语言模型（VLLM）用于 EEG 癫痫发作检测时，多通道结构保留与视觉 token 成本之间的矛盾，提出 NeuroCanvas：结合稠密 EEG 图像表示、监督微调和可调通道预算，在不进行 EEG 专用预训练的情况下适配通用领域预训练 VLLM。 核心表示 Canvas of Neuron Signal（CNS）将 EEG 幅值编码为颜色，以时间对齐的通道带组织信号，并标注所显示的双极通道对。Entropy-guided Channel Selector（ECS）通过最大化训练患者中的癫痫判别覆盖构建嵌套通道子集，使完整导联配置训练的模型可在不同通道预算下复用，无需再次训练。具体熵定义、选择目标、微调损失及推理输出形式尚未验证。 作者报告，在 TUSZ 和 CHB-MIT 上，NeuroCanvas 的 PR-AUC 分别为 0.7321 和 0.5578，较各自最强的已评估基线分别高 0.1604 和 0.1277；摘要未提供患者划分、具体基线及评估汇总方式，因此这些差值仅适用于文中对应实验，不能据此推断其他协议下的优势。与展示相同 16 个双极通道对的波形图相比，作者报告 CNS 在两个数据集上均提高平均 PR-AUC，输入 token 预算约为波形图的五分之一。使用八个选定通道对时，作者报告两个数据集的推理延迟均降低约三分之一，PR-AUC 绝对下降均小于 0.03；硬件、输入长度及延迟测量条件尚未验证。 摘要提及表示、骨干模型、通道选择分析及跨数据集实验，但未给出其具体结果，不能据此确认跨数据集泛化优势。复现需核对数据划分、EEG 预处理与图像渲染参数、ECS 是否严格限定于训练患者、VLLM 配置，以及统计不确定性。作者表示代码将在论文被接收后发布；当前代码可用性及接收状态尚未验证。本研究直接面向 EEG 癫痫发作检测，其结果不等同于其他 BCI 任务上的有效性。