通过 EEG 实时非侵入式成像与检测扩散性去极化：一种超轻量可解释深度学习方法

基于摘要分析。研究针对神经重症监护中的扩散性去极化（SD）检测，提出融合 EEG 时频图与时间功率向量的轻量多模态深度学习方法，旨在缓解头皮 EEG 噪声与信号衰减造成的检测困难。其主要研究对象是继发性脑损伤相关事件的监测，而非 BCI 指令解码。 核心机制是将一维 EEG 时间序列中的 SD 识别转化为连续二维时频图上的识别任务，再融合时间功率信息进行单电极检测。摘要将既有方法描述为依赖固定高密度电极布局下的时间功率变化检测；作者提出，单电极处理可支持更灵活的 EEG 电极布局，并为超低密度、可变电极位置的检测提供路径，但摘要不足以确认这些部署条件是否均已获得实验验证。具体时频图构造、网络结构、融合方式、训练目标及标题所称的可解释性实现尚未验证。 作者报告，加入频率维度能够提高 SD 检测准确性，并将其视为 SD 可能具有隐含频谱特征的初步证据；摘要未给出准确率数值、具体对照结果或统计不确定性。作者还报告模型处理速度小于 0.3 秒，并与传统方法的 2 小时作比较，但未说明输入时长、硬件、计时范围及两者是否对应同一处理流程，因此不能将该比较直接解释为临床预警提前量。 数据来源、被试数量、SD 标注依据、训练与测试划分、被试内或跨被试评估协议，以及消融和统计信息尚未验证。复现需核对预处理与时频表示、事件级评价方式、参考标注及推理计时口径。摘要支持的是非侵入式 SD 检测的技术探索，尚不足以确认实际临床预后收益。