MDH-NAS：通过混合层级可微分与硬件感知神经架构搜索加速 EEG 信号分类

基于摘要分析。该研究针对非侵入式 BCI 中 EEG 分类网络依赖人工设计与超参数调优、模型体积限制嵌入式部署的问题，提出 MDH-NAS，自动搜索适用于 EEG 分类的轻量级神经网络。其主要贡献是将混合层级可微分架构搜索与硬件感知约束结合，并在运动想象（MI）及抑郁识别任务上评估。 机制方面，摘要称 MDH-NAS 区别于传统 DARTS，采用平衡全局与局部搜索空间的混合优化策略，以加快并改善架构发现，同时在搜索过程中引入显式模型大小约束。摘要未说明混合层级的具体定义、搜索空间、优化目标或约束实现方式，因此尚不能判断硬件感知是否直接涉及延迟、内存或能耗，而不只是模型大小。 结果方面，作者报告在 BCI-IV 数据集上取得 87.80% Accuracy，在 MODMA 数据集上取得 90.09% Accuracy；在 EAIDK-610 板上进行异构任务部署时，于 EEG Motor Movement/Imagery 数据集取得 85.37% Accuracy。上述结果的被试内、跨被试或跨会话协议、数据划分及预处理尚未验证，BCI-IV 的具体子集也未明确，不能将这些数值视为同一协议下的可比结果。作者还报告相较基线架构发现时间减少 89%、预测准确率提升 8.70%，但摘要未明确对应任务、基线及计时条件，也未说明后者是相对百分比还是百分点。 复现时需核对搜索与最终评估的数据使用边界、模型大小约束、搜索计算预算、基线配置，以及板端推理延迟、内存和能耗测量。代码与搜索所得架构的可获得性、实验协议、消融及统计信息尚未验证；现有摘要支持其轻量化 EEG 架构搜索的研究方向，但不足以确认跨被试泛化或实际部署收益的稳定性。