SlimSeiz：结合自适应通道选择与轻量神经网络的 EEG 癫痫发作预测框架

基于摘要分析。SlimSeiz 面向长期 EEG 癫痫发作预测中采集通道较多、模型较大而限制移动使用的问题，将自适应通道选择与轻量神经网络结合，尝试同时降低采集与计算负担。其研究对象是癫痫发作预测，而非一般 BCI 指令解码。 框架包含两个阶段：第一阶段使用机器学习算法选择用于发作预测的最优通道集合；第二阶段采用基于卷积和 Mamba 的轻量神经网络进行预测。摘要未说明通道选择算法、选择粒度、卷积与 Mamba 的连接方式，以及损失函数、训练流程和推理窗口，这些细节尚未验证。 作者报告，在 Children's Hospital Boston-MIT（CHB-MIT）EEG 数据集上，SlimSeiz 将通道数从 22 个减少至 8 个，模型参数量为 21.2 K，Accuracy 为 94.8%、Sensitivity 为 95.5%、Specificity 为 94.0%，并称其表现匹配或超过较大模型。摘要未交代这些结果对应的被试内或跨被试协议、数据划分、预测时间范围及具体对照，因此不能据此直接比较不同研究的预测性能。作者还报告在上海仁济医院采集的新 EEG 数据集 SRH-LEI 上进行了验证，并称其在不同患者中有效；这不等同于已确认采用跨被试或跨数据集评估协议。 复现时应重点核对通道选择是否仅使用训练数据、发作前期定义、预警时间范围、数据划分及对照设置，并查看每小时误报率、实际推理开销，以及通道选择和模型组件各自的贡献。实验协议、消融及统计信息尚未验证。摘要提供了代码与 SRH-LEI 数据集的发布地址，但其可访问性、数据许可与复现完整性尚未核实。