该研究提出了一种基于GNN的自监督预训练模型，能够提高罕见癫痫类型的检测和分类精度，并提出了一种定量的模型可解释性方法。实验证明，该方法在癫痫检测和分类上都优于以往的方法，能够精确定位约25.4%的局部癫痫，为临床医生提供直观的癫痫局部化信息。

本文提出了一种新的目标函数，用于训练基于深度神经网络的密度比估计器，并将其应用于变点检测问题。研究表明，使用这种方法可以在癫痫检测任务上表现更好，同时也支持其他神经网络体系结构，如卷积网络。

本研究提出了一种基于GNN的自监督预训练模型，用于捕捉脑电图中电极几何和动态脑连接的结构，并提高罕见癫痫类型的检测和分类精度。同时，还提出了一种定量的模型可解释性方法来评估模型在EEGs中定位癫痫的能力。实验证明，GNN的自监督预训练方法在癫痫检测和分类方面优于以往的方法，能够精确定位约25.4%的局部癫痫，为临床医生提供直观的癫痫局部化信息。