Seizure detection using hierarchical temporal trend integration and self-supervised learning
⭐ 8.3/10Scientific Reports. 2026.
Namitha A R, Siddartha B K
分流：B_章节支撑来源：nature-literature-pipeline
💡 一句话
提出「层级时间趋势整合模块 + 自监督时序一致性学习」的标注高效框架，缓解 EEG 标签稀缺与跨患者差异，并给出半监督目标下经验/期望风险的稳定性界。
📖 背景
可靠的 EEG 发作检测受限于标签稀缺、跨患者变异与临床记录的强非平稳性，监督学习需要大量标注，而自监督预训练可缓解标注依赖。
🔬 方法
提出 Federated Temporal Learning 框架（标注高效）：共享骨干上耦合监督发作分类器与自监督前置任务「时序一致性学习（TSCLM）」，骨干由层级时间趋势整合模块（HTTIM）构建，自顶向下混合多尺度长短时趋势；自监督头学习子序列顺序关系注入时间位置意识，推理时丢弃自监督头得到纯监督预测器；并做算法稳定性理论分析。
📊 关键结果
· 层级时间趋势整合 + 自监督前置任务实现标注高效的发作检测 · 给出半监督目标下经验风险与期望风险差距的理论界 · 自监督头仅训练期使用，推理保持纯监督、计算友好
🎯 意义与展望
为标注稀缺场景下的发作检测提供工程与理论兼具的路径。局限在于单机构、具体精度指标需全文核对；Scientific Reports 为正式同行评审期刊，可信度尚可。
🧭 点评
B 类，可快速通读。价值在「自监督缓解标注稀缺 + 理论稳定性分析」的组合；若你面临标注不足的 iEEG/EEG 数据，其自监督前置任务设计值得借鉴。仅两位作者、表述偏理论，实用性需回到具体数据集验证。