基于颅内记录的癫痫发作自适应预测
基于摘要分析。该研究针对癫痫发作预测中离线可预测性分析与实际在线应用之间的差距，提出 evolving neuro-fuzzy model（演化神经模糊模型），通过组合多个特征识别发作前模式，并在线适应患者个体差异。主要研究对象是颅内 EEG（iEEG）的癫痫发作预测，而非通用 BCI 任务解码。 核心机制：分类器以简单结构和患者无关的参数初始化，随后通过递归方法调整模型结构与参数，逐步形成个体化发作预测器。该设计回应了植入式设备对简单、快速在线方法的需求，但摘要未给出具体特征、模糊规则、结构增长条件或递归更新公式，不能据此确定其计算与存储开销。 数据与结果：研究使用包含 21 名患者颅内记录的公开数据库。作者报告，在该数据库的评估中，在线自适应方法较离线非自适应技术改善了发作预测，并对少量不参与自适应的模型参数表现出稳健性。摘要未提供数据库名称、具体对照方法、预测时间窗、训练与测试划分或定量指标，因此目前无法判断改善幅度，也不能将其解释为已完成植入式临床验证。 复现重点：需核对数据的时间顺序、个体化更新所需信息及其可用时点、发作前窗口定义、误报与漏报的评价方式，以及不同患者的结果分布。还需确认离线与在线方法的评估条件是否一致，并验证模型增长后的运行成本。实验协议、消融及统计信息尚未验证；公开数据为后续比较提供了基础，但仅凭摘要尚不足以重建完整实现。
阅读价值：值得阅读的具体原因是其将多特征发作预测转化为结构与参数递归更新的在线个体化方法，并在公开 iEEG 数据上与离线非自适应方法比较；实际预测协议与植入式部署可行性尚未验证。