用于癫痫发作预测的端到端深度学习方法

基于摘要分析。研究针对癫痫发作前预警问题，提出端到端 CNN 方法，以减少对手工 EEG 特征及传统分类器的依赖；主要研究对象是癫痫发作预测，而非 BCI 指令解码。 方法方面，摘要说明在早期和后期的卷积及最大池化层中分别采用一维和二维核，但未提供完整网络结构、输入组织方式、损失函数及训练细节。作者将手工特征的信息损失及回归、SVM 的分类能力限制作为研究动机，这一解释仍需结合正文中的对照实验核对。 作者在 Kaggle 颅内 EEG 数据集与 CHB-MIT 头皮 EEG 数据集上评估模型，分别报告总体敏感度为 93.5% 和 98.8%，误预测率为 0.063/h 和 0.074/h，ROC 曲线下面积为 0.981 和 0.988。上述结果对应两个数据集各自的评估，摘要未明确被试内或跨被试协议、训练测试划分及发作前窗口定义，因此不能据此直接比较两种记录方式的预测难度，也不能推断跨被试泛化能力。 作者报告其性能优于所比较的现有先进方法，但基线设置及比较条件尚未验证。复现时需核对 Kaggle 数据集的具体版本、被试与发作数量、EEG 预处理、样本构建、时间划分、预警时间范围，以及敏感度和误预测率的统计口径；实验协议、消融及统计信息尚未验证。摘要支持其作为 EEG 临床预测方法的阅读价值，但不足以确认实际连续监测中的预警效果或临床可用性。