使用未经预处理的 EEG 与多通道注意力特征融合进行可解释的癫痫发作分类

基于摘要分析。该研究针对癫痫发作类型识别，提出直接处理原始头皮 EEG 的深度学习架构，通过逐通道特征编码与注意力驱动的多通道融合进行分类。研究对象是癫痫发作类型，而非 BCI 控制任务；其主要贡献在于减少对前置特征工程的依赖，并针对不同通道信息价值的变化进行选择性融合。 核心机制：输入来自 10-20 布局的头皮 EEG，各通道由独立的浅层深度网络处理，编码器包含 SincNet 和 Conv1D 层，从原始信号学习特征。摘要指出，发作后的 EEG 具有非平稳、动态变化特征，不同通道还可能因发作类型及癫痫灶而呈现不同表现；通道与时间信息的重要性也随记录条件变化。方法通过注意力融合保留各通道编码器中的显著特征，再将融合表示送入深度神经网络完成分类。作者认为这种直接特征学习有助于提高可解释性，但注意力的具体计算方式、时间信息的处理以及可解释性验证方式尚未验证。 结果与证据边界：作者报告，在 Temple University Hospital Seizure Corpus 上获得平均 F1 为 0.967。摘要未提供该平均值的计算方式、发作类别、样本或被试规模，也未明确被试内、跨被试或其他数据划分协议，因此不能将该数值直接解读为跨被试泛化表现。对照基线、实验协议、消融及统计信息尚未验证。 复现重点是核对原始 EEG 的实际输入处理、通道配置、样本切分与被试隔离方式，并确认注意力融合相对于不使用注意力的融合方式带来的增益。该机制直接面向 EEG，但摘要并未验证其在运动想象、SSVEP 等 BCI 任务中的效果，不宜将癫痫分类结果外推为通用 BCI 解码能力。