从自适应振荡模态中学习：用于患者独立癫痫发作检测的可解释同步压缩 Transformer

基于摘要分析。研究针对原始时间窗或频谱图块构造的 Transformer token 可能忽略 EEG 内在振荡组织的问题，提出 AMST-Former，通过自适应模态分解与逐模态同步压缩构建时频表示，用于患者独立癫痫发作检测。 方法首先对每个 EEG 通道使用 Adaptive Local Iterative Filtering（ALIF）分解振荡模态，再对各模态分别应用 Synchrosqueezing Transform（SST）。作者认为，先分解再同步压缩可减少瞬时频率估计中的跨分量干扰，并保留各模态的时频动态。所得时频图块与通道、模态频率及位置信息共同嵌入；分层因子化注意力在时频区域、振荡模态与 EEG 通道三个层面建模 token 相关性，随后由 Transformer 编码器捕获其交互。 作者报告，在 CHB-MIT 数据库的 22 名被试上，采用重复的患者独立五折交叉验证，F1 为 70.76%，精确率–召回率曲线下面积（AUPRC）为 0.870。在事件级评估中，作者报告以每 24 h 一次误检为工作点，灵敏度为 81.4%；事件级与上述分类指标的评价单位不同，不宜直接比较。 作者报告，消融实验中逐模态 SST 表示优于直接 SST、逐模态 Hilbert 频谱及固定滤波器组分解，但摘要未提供各对照的数值差异。因子化注意力提供模态、时频及通道层面的解释，作者通过删除分析评估其忠实度；该结果不能直接等同于临床解释有效性。 复现时需核对患者划分与重复次数、窗口及事件定义、类别不平衡处理、ALIF/SST 参数、误检统计方式和删除分析协议。完整训练配置、消融数值及统计不确定性尚未验证，代码可用性亦尚未验证。现有摘要支持将该方法作为跨被试 EEG 发作检测的候选方案，但不支持推断其跨数据集或临床部署效果。