基于时间–空间–频谱注意力的 EEG 癫痫发作类型分类

基于摘要分析。该研究针对 EEG 癫痫发作类型分类中信号噪声大、维度高及发作动态复杂的问题，提出注意力网络，联合提取时间、空间与频谱特征，以区分不同发作类型。其主要研究对象是癫痫 EEG 分类，而非直接验证 BCI 控制任务。 核心机制是先对 EEG 进行短时傅里叶变换（STFT），将所得时频矩阵堆叠为三维表示，再通过并行的时间注意力块与空间–频谱注意力块，关注具有区分力的时间点、传感器位置及频带。摘要还描述了用于提取多层次特征的 one-shot aggregation，但其具体聚合运算、网络结构、损失函数与训练配置尚未验证。相较于分别处理单一特征域的思路，本文的主要贡献在于联合建模三个维度。 作者报告，在 TUSZ v1.5.2 上采用五折交叉验证，癫痫发作类型分类的 weighted F1 为 0.951，并称达到当时最先进性能；作者还报告消融支持时间与空间–频谱注意力块的有效性。摘要未明确五折划分是否按被试隔离，因此不能将该结果解释为跨被试表现。类别构成、样本分布、预处理、具体对照基线、消融幅度及统计信息尚未验证。 平台推测（待验证）：该机制可能复用于依赖时间、通道及频带差异的 EEG 解码任务，例如 MI，但癫痫发作分类有效并不等于 BCI 有效。可复用时频表示及注意力模块，需重新适配任务标签、通道布局和输入时间窗；低信噪比、被试差异及小数据可能使注意力学习不稳定。一个可检验的小实验是在固定跨被试 MI 划分与相同预处理下，对照联合注意力、单一注意力及无注意力模型，检验联合机制是否带来稳定收益。相关已有 EEG 工作尚未检索确认。