论文
EEG-to-Report：用于在临床脑电上训练语言模型的标注与特征-文本框架
EEG-to-Report: An Annotation and Feature-Text Framework for Training Language Models on Clinical EEG
摘要
临床脑电图（EEG）报告在很大程度上仍依赖人工且耗时，而当前的EEG软件生态无法产出训练现代语言模型所需的结构化EEG-文本监督。大多数工具箱专注于可视化或预处理，对生成高质量AI数据集的工作流支持有限。我们提出EEG-to-Report，一个基于浏览器的标注与特征-文本框架，将常规EEG审阅与构建AI就绪数据集联系起来。该框架集成了多格式EEG摄取、通道标准化和交互式查看器，并配备多模态标注层，结合键入文本与转写的语音笔记。对每个被标注的片段，特征提取引擎计算一组标准化的频谱、时域、熵、Hjorth、连接性和棘波相关描述符，并以可移植的JSON模式与临床描述一并存储，由此得到对齐的特征-文本对，用于监督多模态EEG-语言模型。该框架还包括一个自动报告模块，将卷积网络集成与大语言模型耦合，为神经科医生审阅起草临床叙述。利用试点标注，我们描述了EEG-to-Report如何精简标注工作流并生成可编辑的草稿报告，为自动化EEG报告系统提供了可复用的基础。
