通过证据累积 Transformer 从长时 EEG 监测中评估意识

基于摘要分析。本文针对严重意识障碍患者的意识评估问题，提出 EviFormer（Evidence Accumulation Transformer），旨在仅有被试级诊断监督的条件下，从长时 EEG 中定位并累积稀疏、间歇且随时间变化的意识相关证据。其主要研究对象是 EEG 意识状态评估，而非 BCI 控制任务。 方法包含三个模块：EviAttention 沿时间及电极维度应用注意力，并通过混合专家机制建模不同持续时间的时序模式；EviMemory 使用门控因果卷积，在 EEG 片段之间累积反复出现的证据；EviLearning 通过学习证据集合上的表示，监督被试级证据搜索。其可核对的方法价值在于将局部证据提取、跨片段累积与被试级监督结合起来，但摘要未提供具体损失、证据集合构造方式、片段划分及记忆更新细节。 作者报告，收集的睡眠 EEG 数据集包含 140 名被试，覆盖不同意识水平，其中 60 名被试被诊断为意识障碍。作者报告，EviFormer 在所收集队列及公共数据集上达到最先进或有竞争力的表现，但摘要未列出公共数据集名称、任务标签、评估指标、具体数值、对照基线，也未说明被试内、跨被试或跨数据集划分，因此尚不能据此判断泛化能力或临床效用。 作者报告，归因分析突出 delta 频段与时间维度证据，以及长程前后部和双侧电极模式。这些属于模型归因发现，不能直接视为意识的因果机制或已验证的临床标志物。复现时需核对长时记录的预处理与分段、被试级诊断依据、数据划分、各模块消融及归因分析的稳定性；实验协议、消融及统计信息尚未验证。数据和代码的可获取性亦尚未验证。