一、文章主要内容总结本文提出了EEGAgent，这是一个基于大型语言模型（LLMs）的通用框架，旨在解决现有脑电图（EEG）分析模型的“任务孤立”问题，实现多任务、可解释的自动化EEG分析。研究背景：EEG作为非侵入性、高时间分辨率的脑活动检测技术，广泛应用于临床诊断（如癫痫检测）和认知研究，但信号具有非平稳性、个体差异性大等特点，传统人工分析耗时且主观，现有机器学习/深度学习模型多针对单一任务设计，无法满足临床中多任务连续推理的需求。核心框架：EEGAgent以Qwen3-235B大模型为核心，整合了参数化工具（基于深度学习模型）和非参数化工具（基于手工统计特征），构建模块化工具箱，具备五大核心能力：感知能力：提取患者信息、记录参数、电极配置等基础上下文；时空探索能力：对指定时间区间进行多视角（频率、波形、统计特征）分析；事件检测能力：通过多粒度（10秒粗筛+1秒精定位）策略，精准识别临床相关事件的时空分布；交互能力：支持用户上下文对话、后续提问与结果澄清；报告生成能力：基于ACNS标准模板，自动生成结构化临床报告。实验验证：在TUH EEG语料库的三个基准数据集（TUAB、TUEV、TUSL）上进行评估，验证了其在EEG感知、事件检测、报告生成等任务中的有效性，例如在癫痫样放电检测中达到69.30%的命中率，能生成包含背景活动、异常事件、诊断结