用于 EEG 伪迹检测与分类的可学习、可解释小波神经网络

基于摘要分析。研究针对临床 EEG 中伪迹事件人工筛查耗时、影响诊断的问题，提出用于伪迹检测与分类的可学习、可解释小波神经网络 WaveNet。其主要贡献是结合基于可逆神经网络的小波分解模块与自动构建小波树结构的树生成器，并引入两种性能评估指标。 机制方面，小波分解模块用于提取信号特征，作者称其可避免信息损失；树生成器自动构建小波树结构，以支持特征提取与解释。摘要未说明小波参数如何学习、树结构如何优化、训练损失及推理流程，这些细节尚未验证。此处 WaveNet 指本文的小波神经网络，不应与其他同名模型混同。 评估方面，作者引入基础点级匹配评分（base point level matching score，BASE）与事件级 Event-Aligned Compensation Scoring（EACS），旨在更公平地评估模型。两种指标的计算方式、事件匹配与补偿规则，以及它们与 F1 的关系，需查阅全文确认。 作者报告，在 Temple University EEG Artifact（TUAR）数据集上的伪迹检测和分类任务中，WaveNet 的 F1-score 均优于所比较的基线。摘要未提供具体 F1 数值、基线名称、数据划分或被试内／跨被试协议，因此不能量化优势或判断跨被试泛化能力。实验协议、消融及统计信息尚未验证。 作者还报告，案例分析展示了基于频带能量解释预测的能力，并据此提出潜在临床应用。案例层面的解释展示不等同于已验证的临床诊断收益。复现时需核对 TUAR 的预处理、伪迹类别与事件标注、划分方式、BASE/EACS 实现及频带能量解释的稳定性；代码与权重可用性尚未验证。该研究直接面向 EEG 伪迹识别，但摘要未验证其对下游 BCI 解码的改善。