用于紧凑 EEG 网络结构化剪枝的无梯度滤波器重要性评估

基于摘要分析。该研究针对资源受限 BCI 硬件上的 EEG 分类网络部署，比较紧凑架构中不同滤波器重要性准则的结构化剪枝效果，重点考察基于消融的结构敏感性分析（SSA）与梯度、权重及随机准则的适用边界。 作者将比较描述为无数据泄漏且实际落实网络结构裁剪的评估，覆盖四个数据集、运动想象与 ERP 两类范式、EEGNet 与 ShallowConvNet 两种架构、多种容量，以及有无微调的条件。比较准则包括 SSA、一阶 Taylor、L1-norm、geometric median 和随机剪枝。SSA 通过消融评估结构敏感性，不依赖损失梯度；具体消融单位、重要性计算方式及剪枝流程仍需全文核对。 作者报告，在 EEGNet 经微调的条件下，汇总四个数据集后，SSA 与 Taylor 的 Accuracy 差异落在 ±1 个百分点的等效界值内（TOST，p=0.01）；在 ShallowConvNet 上，SSA 的表现不劣于 Taylor，二者均显著优于基于权重及随机的重要性准则。上述结果不能外推为任意数据划分或剪枝比例下的等效性。 在权重量化为 8-bit 的 EEGNet 上，作者指出其所用量化计算图中的损失梯度未定义，因此 Taylor 准则不可用；在这一特定条件下，作者报告 SSA 是表现最佳的无梯度准则，汇总结果显著优于 L1-norm、geometric median 与随机剪枝。该结论对应可编辑、但无法使用梯度的量化部署场景，并不意味着所有量化网络都无法计算梯度。 作者还报告，剪枝调度与微调的影响大于强准则之间的选择；先训练较大模型再剪枝并微调，可恢复到与直接训练较小模型等效的准确率。复现时需核对数据集名称、被试及划分协议、剪枝率、微调预算、量化实现和统计汇总方式；实际参数量、运算量、延迟及硬件收益在摘要中未给出，实验协议、消融及统计信息尚未验证。