KDTL：使用 EEG 时频谱图诊断精神障碍的知识蒸馏迁移学习框架

基于摘要分析。该研究以癫痫和睡眠障碍等 EEG 分类问题为主要对象，提出知识蒸馏迁移学习框架 KDTL，将 EEG 转换为时频谱图，再通过教师—学生训练获得轻量分类模型。原文将这些任务统称为 mental disorders，具体诊断标签及临床适用范围尚未验证；这并非直接面向 BCI 控制或交互的研究。 方法上，作者使用短时傅里叶变换获得 EEG 的时频表示，先训练较大的教师模型，再以知识蒸馏训练学生模型。作者报告，ConvNext 教师与 MobileNet 学生的组合取得较好结果。摘要未说明迁移学习的预训练来源、蒸馏目标与损失形式，也未提供谱图生成参数、通道组织方式及模型具体配置，尚不能据此确定性能提升分别来自迁移学习、谱图表示还是知识蒸馏。 作者报告，在包含多个任务设置的 Bonn 和 ISRUC 数据集实验中，Accuracy 分别为 98% 和 95%，并称 KDTL 在二分类和多分类任务上优于多项既有工作。但摘要未将上述数值对应到具体分类任务，也未交代被试内或跨被试协议、训练测试划分及对照条件，因此不能将其直接解释为跨被试泛化或临床诊断效能。作者还报告学生模型具有较少的可训练参数和较低的总体训练时间，但具体参数量、时间测量条件及推理成本尚未验证。 复现时应优先核对两套数据的任务标签、样本与被试划分、谱图预处理、教师和学生训练流程，以及相同条件下不使用蒸馏的学生模型对照。实验协议、消融及统计信息尚未验证；摘要中的高 Accuracy 尚不足以支持临床部署结论。