bioRxiv（Neuroscience）· Songyuan Shi·2026-10-22 08:00· 2 天前精选AI 评分62

Shi 等用分解式时空集成深度学习从常规头皮 EEG 定位癫痫发作起始区

Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

AI 导读

Shi 等提出一种分解式时空集成深度学习框架，用常规发作间期与发作期头皮 EEG 做脑叶水平的癫痫发作起始区（SOZ）定位，数据来自 100 例单侧局灶性癫痫患者的 262 次记录（6000 余小时），另设 28 例内部和 9 例外部测试集。

AI 要点

团队

Songyuan Shi（bioRxiv 预印本，作者单位原文未提及）

主要结果

集成模型在内部测试集 session 级精确匹配 88.46%，优于 EEGNet 的 50.00%；无发作留出集 82.76%，跨机构数据 84.62%。

解决什么问题

用常规头皮 EEG 的发作间期与发作期片段，无创定位致痫区（EZ）的脑叶级代理指标——发作起始区（SOZ）。

方法

100 名单侧局灶性癫痫患者共 262 次记录（6000+ 小时），另用 28 人内部与 9 人外部数据测试；多尺度时序模块加时空解耦 Transformer，五模型集成。

局限

从研究设计看，为回顾性单中心数据训练、外部验证仅 9 人；定位粒度为脑叶级，作者称其用于辅助而非替代临床判断。

AI 依据原文整理，未经人工核对。

AI 推荐理由

该预印本用100例患者的常规头皮EEG做致痫区定位，并给出内部与跨机构验证结果，可供与现有非侵入式定位方法对照。