基于生成对抗网络的半监督癫痫发作预测

基于摘要分析。该研究针对癫痫发作预测中 EEG 标注数据有限的问题，提出先利用未标注 EEG 训练生成对抗网络（GAN），再将判别器作为特征提取器，以标注 EEG 训练分类器的半监督方法。核心贡献是将不依赖发作起始标注的表征学习与下游有监督预测结合，而非直接提出通用 BCI 解码方法。 方法上，作者对 28 秒 EEG 窗口进行短时傅里叶变换，再以无监督方式训练 GAN，训练时不使用癫痫发作起始信息。训练后的判别器用于提取特征，随后由两个全连接层对标注 EEG 的特征进行分类；作者说明，这一分类模块也可替换为其他分类器。摘要未提供 GAN 的具体结构、损失形式及训练规模。 作者报告，该方法在 CHBMIT 头皮 EEG 数据集和 Freiburg Hospital 颅内 EEG 数据集上的 AUC 分别为 77.68% 和 75.47%。这些数值对应两个数据集上的各自评估，但摘要未说明被试内或跨被试设置、训练测试划分及对照基线，不能据此判断跨被试泛化能力，也不能将 AUC 解读为 Accuracy。预测时间范围、发作前期标签定义、误报率、消融及统计信息尚未验证。 作者还提出融合 EEG、心电信号、体温和时间信息的设想，但摘要不足以确认该融合方案是否纳入上述实验。作者强调，无需标注的训练便于在 EEG 记录期间进行，并可减少逐患者特征工程；实际在线训练的计算开销、稳定性及预警收益仍需全文核对。复现时需重点确认窗口构建、样本划分、标注与未标注数据的使用边界，以及从离线 AUC 到实际发作预警表现的评估协议。