面向 EEG 癫痫发作识别的表格到图像深度学习流程比较评估：结合统计分析与可解释 AI 的全面基准

基于摘要分析。本研究针对 EEG 癫痫发作识别中图像编码选择与视觉骨干选择相互混杂的问题，在 Bonn EEG corpus 的二分类、三分类和五分类任务上构建联合比较基准。其贡献是用统一协议考察编码、架构家族与任务粒度的交互关系，而非提出新的 EEG 基础模型。 研究采用因子式比较，将七种编码——DeepInsight、IGTD、REFINED、Gramian Angular Field（GAF）、Markov Transition Field、Tab2Img 和 HSV 通道方案——与十种覆盖卷积、纯 Transformer 及混合架构的骨干组合。方法背景是把 EEG 表征转换为二维图像，以迁移学习复用 ImageNet 预训练视觉骨干；具体输入特征、编码拟合及骨干微调方式尚未验证。 评估采用 GroupKFold、双随机种子、Optuna 超参数优化、配对非参数统计检验、Holm-Bonferroni 校正及 Cohen's d 效应量，并使用 Grad-CAM 与 Attention-Rollout 提供解释。作者报告，在超过 600 次最终运行中，DeiT-Small 与 IGTD 在其称为趋于饱和的二分类任务上达到 macro-F1 0.9868 ± 0.0070；CoAtNet-0 与 GAF 在三分类和五分类任务上的 macro-F1 分别为 0.9538 和 0.7799。不同分类任务难度不同，这些数值不能直接作为架构优劣的跨任务比较。 作者报告，两种互为反向、发生于同一上位类别内部的混淆合计占五分类剩余错误的 67.5%；混合架构取得 +1.2 至 +2.0 的 Cohen's d 优势，并处于准确率—效率 Pareto 前沿，但摘要未交代该效应量对应的具体对照与效率测量条件。作者据此认为，编码与架构的优势随任务粒度变化，改善五分类表现更应关注输入表征，而非单纯扩大骨干。 复现时需核对 GroupKFold 的分组单位，不能直接将其视为跨被试评估；同时需确认编码拟合、预处理及超参数搜索与测试数据的隔离方式。具体类别定义、误差范围含义、消融与统计比较细节，以及代码和计算条件均尚未验证。该摘要支持 EEG 癫痫识别基准的阅读价值，不构成对通用 BCI 或 EEG 基础模型有效性的验证。