SlimSeiz：采用Mamba增强网络的高效通道自适应癫痫发作预测

基于摘要分析。该研究针对长期癫痫发作预测中EEG电极通道较多、模型较大而限制移动使用的问题，提出SlimSeiz框架，将自适应通道选择与轻量卷积—Mamba神经网络结合，以降低采集和计算负担。研究对象是EEG癫痫发作预测，而非通用BCI任务。 框架包含两个阶段：第一阶段利用机器学习算法选择用于发作预测的最优通道集合；第二阶段使用基于卷积与Mamba的轻量神经网络进行预测。摘要未说明通道选择算法、选择范围是否针对患者个体、卷积与Mamba的具体连接方式，以及损失函数和训练流程，这些信息尚未验证。 作者报告，在Children's Hospital Boston-MIT（CHB-MIT）EEG数据集上，SlimSeiz将通道数由22降至8，模型参数量为21.2K，取得94.8%的Accuracy、95.5%的Sensitivity和94.0%的Specificity，并达到或超过较大模型的性能。上述结果对应CHB-MIT实验，但摘要未交代被试内或跨被试协议、训练测试划分、预测时间窗、对照模型及统计不确定性，不能据此直接判断跨患者泛化或长期部署效果。 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，表明方法对不同患者有效；摘要未给出该数据集的患者人数、评估协议和具体指标，不宜将这一表述进一步解释为已验证的跨数据集迁移。作者声明代码与SRH-LEI数据集已公开，其实际获取条件和复现完整性尚未核验。 复现时值得重点核对通道选择是否仅使用训练数据、通道缩减与模型轻量化各自的贡献，以及预测时间窗和误报警频率等与持续监测有关的指标。实验协议、消融及统计信息尚未验证；摘要中的分类指标尚不足以支持临床实用性结论。