事件
使用捕获率、每小时误报和检出延迟，而不只看单窗口预测。
生物医学信号处理 · 事件级机器学习
把连续 EEG
变成可检查的
事件判断。
这项患者特异性的回顾性研究从多通道头皮 EEG 中提取时频与同步性线索，通过折内特征选择和随机森林生成概率，再用明确的时间规则形成发作事件。
- 53 / 55
- 汇总检出的发作事件
- 0.3066 / h
- 汇总误报事件率
- 10
- 受试者的回顾性子集
- 9.09 s
- 已检出事件的汇总平均延迟
01 · 工程问题
高分的窗口分类器，并不等于有用的事件检测器。
EEG 是连续、多通道且噪声丰富的信号。每个两秒窗口的阳性概率，只有在跨时间保持一致，并能对照事件标签与误报率时，才具有工程意义。
项目的重点不是只提高窗口级指标，而是让信号处理、特征选择、模型阈值、时间后处理和事件级评分在同一评估设计中彼此衔接。
患者特异性
每位受试者分别建模；结果不被表述为对新患者的泛化能力。
折内选择
特征和阈值只在训练数据内部决定，再面对外层留出记录。
02 · 从信号到事件
每一步都服务于可追溯的最终决策。
CHB-MIT EDF · 22 个双极通道
0.5–50 Hz 滤波 · 2 秒片段 · 频谱、同步性和时间特征
1,772 个候选输入 · Top-30 特征
500 棵树的随机森林
平滑、阈值和持续性规则
时间逻辑为何重要？连续阳性窗口才会形成事件；孤立窗口不应直接被当作一次发作。这个选择让模型输出可以与临床标签、误报和检出延迟一一对应。
03 · 特征与模型
压缩决策接口，同时把代价放在台面上。
每个两秒窗口先产生 440 个频谱频带能量和 3 个同步性相关量；结合当前窗口及前三个窗口，形成 1,772 个候选输入。每个外层评估中，特征重要性只由内部训练数据估计，并选择 Top-30 输入。
主分类器是 500 棵树的随机森林。它生成每个窗口的事件概率，后续的平滑、阈值和持续性规则将概率序列转化为事件决定。
04 · 经核对的研究结果
报告聚合方式，也报告分母。
10 位受试者事件敏感度的算术平均。
10 位受试者每小时误报率的中位数。
跨所有受试者汇总的事件计数。
约为每小时 0.3066 次。
05 · 证据边界
结果说明了什么，也没有说明什么。
这项研究支持：在所报告的 10 人回顾性、患者特异性协议中，工程流程能够把多通道 EEG 转为可检查的事件级结果；特征选择、阈值选择与外层测试相互隔离。
这项研究不支持：对未见患者的冷启动表现、外部或前瞻性临床验证，或直接部署到嵌入式设备。零相位滤波和居中平滑是回顾性的，流式系统需要重新设计并验证因果版本。
软件状态：当前软件已有按记录边界处理的后处理与合成回归测试；原始队列尚未用该版本重新运行。因此保存的研究指标与当前软件验证会明确区分。