提出UMSH多模态癫痫分类框架

2026年10月15日，arXiv Artificial Intelligence 刊出 Ramya Sundaram 等作者的论文，提出统一多模态信号协调框架 UMSH，用于模态无关的癫痫发作分类。该框架将不同受试者和来源的 EEG 与 iEEG 记录整合进同一分类流程，以应对采样率和记录条件差异；针对数据类别极度不平衡，使用 cGAN 生成合成样本，并采用 EEGNet-ViT 提取局部判别特征与全局上下文信息。实验显示该框架可实现稳健的癫痫发作分类，作者认为 EEG-iEEG 多模态学习有望推进下一代癫痫监测与临床决策支持系统。目前报道仅涉及该框架的提出与实验表现，尚无后续进展或相互矛盾的说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。