用于基于 EEG 的癫痫发作识别的高效分组余弦卷积神经网络

基于摘要分析。该研究面向多通道 EEG 癫痫发作识别及发作起始通道定位，提出 group cosine convolutional neural network（group CosCNN），尝试在端到端识别中保留 EEG 通道空间信息，并通过归一化通道贡献评分进行动态定位。其主要研究对象是癫痫 EEG 自动分析，不能据此视为已验证的 BCI 控制或解码方法。 机制方面，作者采用仅含两个可学习参数的 cosine convolutional operator，并将其描述为硬件友好、内存高效；该参数数量针对算子，不代表整个网络只有两个参数。模型首个模块执行逐通道卷积，后续模块执行分组卷积，以保留 EEG 空间信息。摘要未给出算子的数学形式、分组规则、网络规模、损失函数或训练配置，实际存储、计算和延迟收益尚未验证。 作者报告，在公开 CHB-MIT 数据库和临床采集的 SH-SDU 数据库上，癫痫发作识别的 Sensitivity 分别为 97.70% 和 90.51%，Specificity 分别为 97.54% 和 95.48%。这些结果对应各自数据库，但摘要未说明被试内或跨被试协议、训练测试划分及评估单位，因此不能据此判断跨被试泛化能力。作者还报告，在 CHB-MIT 上，动态起始通道定位的个体级 Accuracy 为 91.30%，事件级 Accuracy 为 85.12%；两种评估层级不能混同，定位参照、匹配标准和贡献评分定义尚未验证。 复现时需核对 EEG 预处理与分段方式、分组和通道排列、归一化贡献评分计算、定位标注来源，以及识别与定位的完整评估协议。还需区分模型给出的通道贡献与临床发作起始判定，并核验所谓实时定位的硬件条件和端到端延迟。实验协议、消融、对照基线及统计信息尚未验证；摘要中的优越性结论属于作者主张，不能仅凭这些汇总指标确认。