神经疾病的脑电图（EEG）诊断依赖疾病特异性数据集，但这类数据收集面临伦理与实操挑战，现有合成方法又缺乏生物依据，难以还原真实病理特征。这一困境严重制约了机器学习诊断模型的开发。

研究团队提出生物启发式脑电模拟框架，为解决该问题提供了新路径。该框架以临床文献为依据，在健康脑电信号中注入生理层面真实的疾病模式，可适配帕金森病、阿尔茨海默病、癫痫等多种神经疾病。

其核心逻辑简洁高效：先通过巴特沃斯滤波器分解脑电信号频段，再针对不同疾病锁定目标脑区，按实证权重重组信号，最后归一化确保稳定性。癫痫案例中还额外加入尖峰波形生成模块，还原发作前高频活动。

实验验证显示，合成信号经时频分析和统计检验（p<0.05），与真实患者脑电数据的相似度极高（帕金森病相关系数达 0.9025）。该框架为诊断模型训练提供了可扩展的数据集解决方案，对神经疾病早期筛查具有重要实用价值。

参考文献：Bunterngchit, C., Baniata, L. H., & Hou, Z. G. (2025, November). Biologically Informed EEG Simulation for Neurological Disorder Pattern Injection and Dataset Generation. In International Conference on Neural Information Processing (pp. 273-287). Singapore: Springer Nature Singapore.