小红书精读：RobustSeiz: An Open-Source Framework for Benchmarking the Robustness of EEG Seizure Detection Models

癫痫检测模型，一遇噪声就现原形

各位算法同学们，你在干净数据上跑得飞快的癫痫检测模型，遇到真实EEG里的噪声、电极故障，可能漏掉发作还狂报警。这篇提出一个开源压测框架RobustSeiz，专门在部署前用临床向扰动把模型底细摸清楚。

📄 RobustSeiz: An Open-Source Framework for Benchmarking the Robustness of EEG Seizure Detection Models

🔧 统一输入口径：把CHB-MIT、TUSZ、Siena、SeizeIT1四个公共EEG语料标准化成BIDS-EEG格式，统一重采样到256Hz、统一10-20系统单极导联（CHB-MIT保留原始双极），模型看到的特征是同一世界。 🧩 构建扰动taxonomy：环境、噪声、对抗三大类，每类带超参网格，推理时直接在内存中施加，不动原始标注，保证打分公平。 ⚙️ 评估维度丰富：从sample和event两个层级看敏感性、精确率、F1，还统计每24h假阳性数、Lead/Lag起病时间偏差、MC dropout一致性，不放过临床最关心的会不会漏报、乱报、报得晚。

📊 数据集规模差异挺大：TUSZ有675人、约1476小时，CHB-MIT只有23人982小时，Siena才14人128小时，SeizeIT1则是42人4211小时。 📈 演示实验在TUSZ全扰动网格上评估了一个当代检测器，每种扰动都跟无扰动基线对比，输出全套指标曲线。 ✅ AWGN那一组代表性分析直接展示了扰动强度怎么改变检测质量、起病时间偏移和预测一致性——说明模型对噪声不是全有全无，而是连续退化。

我觉得对做EEG检测、医疗AI部署的同学很有用，尤其要盯每24h假阳率和onset timing，这俩直接决定临床上是漏掉发作还是被警报淹没。落地时注意各个数据集导联配置和标准化工程不轻松，不过官方给了Docker镜像，能少踩不少环境坑。

原文：AlphaXiv