MP-SeizNet：用于 EEG 癫痫发作类型分类的多路径 CNN Bi-LSTM 网络

基于摘要分析。该研究面向癫痫发作类型识别，提出结合 CNN、Bi-LSTM 与注意力机制的多路径网络 MP-SeizNet，仅使用 EEG 对复杂部分性、简单部分性、失神、强直和强直-阵挛发作进行分类。其主要贡献是联合学习小波特征与原始 EEG 两种表示，研究对象是临床 EEG 发作类型分类，而非 BCI 控制任务。 技术机制：CNN 路径接收从 EEG 提取的小波特征，Bi-LSTM 路径接收原始 EEG，旨在联合利用不同表示中的信息。摘要提及注意力机制，但其作用位置、路径融合方式、小波配置、损失函数及训练细节尚未验证，因此不能据此确定各模块的独立贡献。 数据与结果：作者在 Temple University Hospital EEG Seizure Corpus（TUSZ v1.5.2）上评估模型。作者报告，针对不同患者数据进行三折交叉验证时，F1 为 87.6%；针对发作数据进行五折交叉验证时，F1 为 98.1%。两项结果对应不同划分对象，不能直接视为同一协议下的性能提升。摘要未说明 F1 的平均方式、患者与发作样本分配细节，亦不足以确认五折协议是否存在患者重叠；这些均需核对全文，而非据此认定数据泄漏。 复现重点是确认 EEG 预处理、时间窗与通道配置、小波特征构造、类别分布、患者隔离方式，以及单路径和注意力模块的消融对照。实验协议、消融及统计信息尚未验证；现有摘要结果也不足以证明模型对未见患者或其他 EEG 任务的泛化能力。