脑机百科消息(bciwiki.com)，研究人员在连续颅内脑电数据上发现，癫痫发作预测模型的平均AUROC从离线测试的90%降至在线评估的57.9%，而一套在线进化的机器学习框架能在75%的患者中提前预测全部发作。这项研究由Hospital del Mar Research Institute（IMIM）的研究团队完成，于2026年9月14日上传至预印本平台medRxiv，尚未经同行评审。
团队公开了一套连续、长期的立体定向脑电（sEEG）癫痫预测数据集，覆盖16名药物难治性癫痫患者、664.9小时记录和121次发作。团队称，这是首个公开的此类连续长期数据集。
研究指出，传统方法依赖分段离线测试，会人为平衡发作期与非发作期样本，并掩盖神经活动随时间的漂移，从而高估性能。团队先以离线组合分析比较参考方式、频段、功能连接指标和分类器，选出单极参考、基于互相关的连接矩阵和随机森林分类器，再在保留真实类别不平衡的伪前瞻在线框架中测试。每名患者有1,000个候选模型在连续数据流中不断进化筛选。
结果显示，该框架找到的模型在75%的患者中实现了事件级全部发作预测，在87.5%的患者中只漏掉一次。将输入限制在团队此前方法估计出的致痫网络后，所需植入触点减少79.12%，预测表现优于只使用临床切除区域的方案。研究人员认为，这一框架可为能在发作后重新训练、长期部署的自适应闭环神经调控设备提供基础。