前四篇依次解决了"看见信号、做出推断、解码意图、验证可信度"，研究对象都是健康被试的生理性节律。本篇把方向转向临床应用：癫痫发作片段的自动识别。这是 EEG 最有现实价值的任务之一——长程视频脑电监测动辄几十小时，靠医生肉眼找发作事件如同大海捞针，自动筛查算法能把医生从 95% 的阴性时间里解放出来。本篇材料包含两条线索：主线是在 UCI BEED（Bangalore EEG Epilepsy Dataset）上构建"发作 vs 非发作"的可解释二分类器（8000 片段、23 维特征、正则 LDA、分层交叉验证）；辅线是同家族五类癫痫数据的来源结构探索（发作 / 肿瘤区 / 健康区 / 闭眼 / 睁眼），它会在结尾处给我们一记重要的混杂警告。按照专栏惯例，本篇依然不回避问题——事实上我们会在图表里亲手抓到两个事故：一个绘图标签错位、一个统计表整列失效。抓到它们、说清原因、给出正确数字，这就是科研训练本身。读完本篇你将学会：癫痫发作期 EEG 的临床标志（尖波、节律爆发、高频同步）与"筛查优先敏感度"的医学统计思维；一套 23 维可解释特征工程：时域统计、Hjorth 参数、谱熵、频带功率，以及每个特征的物理直觉；一个极易被忽视的数据形态学问题：90 毫秒的超短片段对频带分析意味着什么（本篇 10 个频带特征因此全部退化）；筛查模型的完整评估：ROC-AUC 的秩统计本质、敏感
前四篇依次解决了"看见信号、做出推断、解码意图、验证可信度"，研究对象都是健康被试的生理性节律。本篇把方向转向临床应用：癫痫发作片段的自动识别。这是 EEG 最有现实价值的任务之一——长程视频脑电监测动辄几十小时，靠医生肉眼找发作事件如同大海捞针，自动筛查算法能把医生从 95% 的阴性时间里解放出来。本篇材料包含两条线索：主线是在 UCI BEED（Bangalore EEG Epilepsy Dataset）上构建"发作 vs 非发作"的可解释二分类器（8000 片段、23 维特征、正则 LDA、分层交叉验证）；辅线是同家族五类癫痫数据的来源结构探索（发作 / 肿瘤区 / 健康区 / 闭眼 / 睁眼），它会在结尾处给我们一记重要的混杂警告。按照专栏惯例，本篇依然不回避问题——事实上我们会在图表里亲手抓到两个事故：一个绘图标签错位、一个统计表整列失效。抓到它们、说清原因、给出正确数字，这就是科研训练本身。读完本篇你将学会：癫痫发作期 EEG 的临床标志（尖波、节律爆发、高频同步）与"筛查优先敏感度"的医学统计思维；一套 23 维可解释特征工程：时域统计、Hjorth 参数、谱熵、频带功率，以及每个特征的物理直觉；一个极易被忽视的数据形态学问题：90 毫秒的超短片段对频带分析意味着什么（本篇 10 个频带特征因此全部退化）；筛查模型的完整评估：ROC-AUC 的秩统计本质、敏感
配置与调试实战)
)
