arXiv eess.SP（Signal Processing）·2026-10-14 12:00· 10 天前AI 评分37

可解释多模态 EEG-ECG 框架用于新生儿癫痫预测与患者自适应迁移学习

Interpretable Multimodal EEG-ECG Framework for Neonatal Seizure Prediction and Patient-Adaptive Transfer Learning

AI 导读

研究提出一种结合 EEG 与 ECG 的可解释多模态框架，用约 70k 参数的轻量卷积神经网络处理 MFCC 特征并加入 squeeze-and-excitation 注意力，在 Helsinki 与 Siena 新生儿 EEG-ECG 数据集上评估。

AI 要点

团队

第一作者 Sithmini Ranasingha，末位作者 Joshua P. Kulasingham，共 8 位作者。

主要结果

严格 LOPO 下患者独立预测平均准确率 58.5%、F1 60.3%；每类仅用 5 分钟患者数据微调后升至 95.87% 准确率、95.85% F1。

解决什么问题

新生儿癫痫预测中可靠的患者独立预测研究仍很不足，且新生儿 EEG 存在明显个体差异。

方法

结合 EEG 与 ECG，用 MFCC 表示输入约 70k 参数的轻量 CNN（含 squeeze-and-excitation 注意力），在 Helsinki 新生儿 EEG-ECG 数据集和 Siena 头皮 EEG-ECG 数据集上评估。

局限

从研究设计看，患者独立预测性能有限，提示跨受试者差异大；SHAP 识别的 EEG 通道与临床报告癫痫起源仅部分空间一致。

AI 依据原文整理，未经人工核对。