BUNDL：用于 EEG 癫痫发作检测的含噪训练标签贝叶斯不确定性感知深度学习

基于摘要分析。该研究针对头皮 EEG 癫痫发作检测中的训练标签噪声：信号噪声可能使发作时间及特征的标注不精确，进而影响模型训练与泛化。作者提出 BUNDL（Bayesian UncertaiNty-aware Deep Learning），通过统计框架向深度学习模型表达标签歧义，并研究检测改善对自动发作起始区定位的影响。 方法上，BUNDL 将领域知识纳入贝叶斯不确定性框架，推导基于 KL 散度的损失函数，利用不确定性学习头皮 EEG 中的发作特征。作者将其描述为模型无关的训练策略，不向现有架构增加参数。摘要未给出标签不确定性的具体表示、领域知识的编码方式、概率分布假设或损失公式，因此尚不能确定其实现细节；不增加参数也不等同于没有额外计算开销。 评估包括模拟 EEG 数据以及两个公开数据集 TUH 和 CHB-MIT。作者报告，在模拟数据的七类标签噪声和三种 EEG 信噪比条件下，BUNDL 持续改善三个基础模型的表现；在 TUH 和 CHB-MIT 上也观察到类似改善。作者还报告发作起始区定位的准确性有所提升，但摘要未提供具体指标定义、数值或定位评估协议。 其直接研究对象是癫痫 EEG 自动评估，不能据此视为已验证的 BCI 解码改进。复现前需核对基础模型、噪声生成方式、标签处理、数据划分、被试内或跨被试设置，以及发作检测与起始区定位之间的具体衔接。实验协议、消融及统计信息尚未验证，当前材料不足以判断收益大小、稳定性及适用边界。