面向自动化 EEG 癫痫检测的深度卷积自编码器研究

基于摘要分析。该研究面向 EEG 癫痫发作监测中的自动化分析问题，提出用 Deep Convolutional Autoencoder（DCAE）提取保留重要信号特征的低维潜在表示，重点考察时间序列输入能否保留频率信息，以及时间域、频率域损失对重建质量的影响。 核心机制是通过自编码器压缩并重建 EEG，以重建误差评估潜在表示的信息保留能力。作者训练并评估了采用不同时间域与频率域损失的多个自编码器，同时比较时间序列和频率域表示的重建误差。摘要未给出具体损失公式、两类损失的组合权重、频率表示的计算方式或网络结构细节，不能据此认定模型使用双分支或同时接收两种输入。 作者报告，在摘要所述自编码器重建比较中，同时考虑时间序列与频率损失的 DCAE 获得了最佳重建表现，但未提供具体误差数值及评估协议。作者据此认为，仅依赖单一表示的深度神经网络可能无法保留相关信号属性；这一结论目前应限定在所报告的重建任务范围内，不能直接等同于更有效的发作检测。 癫痫发作检测是研究的应用动机，摘要实际呈现的证据主要是 EEG 表征与重建评估，而非临床验证或 BCI 控制性能。摘要没有提供检测灵敏度、每小时误报率（FAR/h）等下游结果。数据集、被试数、被试内或跨被试划分、预处理、对照配置、消融及统计信息尚未验证；复现前还需核对训练与测试划分、损失实现及重建评估方式。