基于 Gramian Angular Field 特征融合与深度学习的 EEG 癫痫发作分类

基于摘要分析。该研究面向 EEG 癫痫发作分类，将 Gramian Angular Summation Field（GASF）与 Gramian Angular Difference Field（GADF）生成的图像分别输入并行 CNN，再融合提取的特征，旨在利用两种变换对信号不同属性的表征获得更丰富的分类表示。 核心机制是先将 EEG 时间序列转换为 Gramian Angular Field（GAF）图像，再由 CNN 提取特征。相较于既有研究分别使用 GASF 或 GADF，本文主要贡献是联合两种变换的特征，而非提出新的 GAF 变换。摘要明确了并行 CNN 与特征融合流程，但具体网络结构、融合操作、损失函数和训练配置尚未验证。 实验采用公开的 Bonn datasets，按片段长度 0.5 s、步长 0.2 s 切分 EEG；摘要称 Bonn datasets 的每个集合生成 8600 张图像。作者开展二分类、三分类及五分类实验，并报告 GASF 与 GADF 特征融合使平均 Accuracy 分别增加 0.255%、0.295% 和 0.660%。摘要未明确这些数值是相对百分比增幅还是绝对百分点差，也未列出各任务的具体类别组合、对应基线和绝对 Accuracy，因此应保留原文单位，不能据此推算最终成绩。 研究价值在于检验两种 EEG 图像表示是否具有可利用的互补信息。由于分段长度大于步长，片段存在重叠；复现时应核对训练与测试是否按原始记录或被试分组划分，以及是否避免高度相关片段跨集合分布。这是需验证的协议事项，不代表已发现数据泄漏。被试内或跨被试设置、数据划分、消融及统计信息尚未验证，小幅平均提升是否稳定也需结合重复实验与不确定性评估。该材料支持的是 Bonn datasets 上的 EEG 分类研究，尚不足以判断连续发作检测、临床泛化或 BCI 应用效果。