摘要
背景：患者特异性的癫痫发作预测仍然具有挑战性，因为先兆期脑电图模式和通道相关性在不同个体之间存在显著差异。方法：我们提出了一种CNN-GCN-扩散网络（CGD-Net），该网络集成了通道级时序编码、布图信息引导的图建模、包级聚合以及扩散先验引导的软通道门控机制。患者特异性通道先验仅从训练数据中估计。CGD-Net在19个CHB-MIT记录病例上进行评估，采用癫痫发作组感知的按时间划分的训练集、验证集和测试集划分方式。使用随机种子42、52和62评估模型的鲁棒性。结果：在三种随机种子下，平均准确率范围为74.84%至75.87%，平均AUC范围为81.82%至82.01%。在种子42的组件比较中，完整模型达到了最高的平均准确率、AUC、F1分数和特异性。采用Holm校正的记录病例级Wilcoxon检验显示，与无包级聚合、无扩散和无先验的配置相比，准确率、AUC和F1分数均有显著提升，而与随机图配置的差异在校正后不具统计学显著性。通道重要性模式在不同种子间高度稳定，平均成对Spearman相关系数为0.9819，平均Top-5 Jaccard指数为0.8730，而枢纽重要性显示出中等程度的患者依赖性稳定性。结论：这些结果支持将时序聚合、布图信息引导的图建模和先验引导的通道调制相结合，用于回顾性先兆期与间期分类。这些解释代表的是模型级归因，而非经临床验证的癫痫发作起始区域。事件级敏感度和误报率尚未进行评估，在临床预警系统部署前需要进行连续记录的验证。
