使用 Hilbert 空间填充曲线改善一维卷积神经网络的图像分类

基于摘要分析。该研究关注图像等高维数据转换为一维序列后局部相关性受损的问题，通过 Hilbert 空间填充曲线重排输入，并结合局部性保留的解析模型与神经网络实验，考察序列化方式对一维 CNN 图像分类的影响；主要研究对象并非 EEG 或 BCI。 核心机制是在高维输入到一维序列的转换中尽量保留邻域关系，使一维卷积能够利用原始空间中的局部相关性。作者将量化局部性保留的解析模型，与采用或不采用 Hilbert 映射的多个神经网络的表现进行比较。作者报告，在所考察的图像分类实验中，Hilbert 映射相较传统 flatten 转换，在测试准确率和训练速度上具有一致优势；结果还随卷积核大小变化，与解析模型相符。摘要未提供数据集、具体网络配置、数据划分、数值结果或训练速度的测量口径，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 输入已被组织为具有明确邻域关系的时频网格，Hilbert 序列化可能用于检验一维 CNN 是否因保留局部结构而受益。这一假设依赖网格邻近关系具有实际信号意义，不能直接套用于任意通道排列。可复用的是序列化映射，需改造的是 EEG 表征及边界处理；低信噪比、跨被试差异、通道布局变化和小样本均可能使收益消失。一个小规模可证伪实验是在固定 EEG 表征、同一被试内划分及相同一维 CNN 训练设置下，仅替换 flatten 与 Hilbert 映射，并比较不同卷积核大小下的分类指标和训练耗时。此处并非已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。