SSGCNet：用于癫痫 EEG 信号分类的稀疏谱图卷积网络

基于摘要分析。该研究面向癫痫 EEG 信号分类，提出稀疏谱图卷积网络 SSGCNet，目标是在保持分类 Accuracy 的同时实现轻量化深度学习模型；其贡献集中于 EEG 图表示与网络连接的稀疏化，而非直接验证 BCI 控制任务。 技术机制上，作者提出加权邻域场图（weighted neighborhood field graph，WNFG）来表示 EEG 信号，通过减少图节点之间的冗余边降低图构建开销。作者报告，相较于基线方案，WNFG 的图生成时间和内存使用量更低，但摘要未给出具体数值或基线细节。在此基础上，研究进一步构建序列图卷积网络，并结合稀疏权重剪枝与交替方向乘子法（ADMM）；图节点定义、边权计算、剪枝目标、损失形式及训练流程尚未验证。 作者报告，在 Bonn 公开数据集和 spikes and slow waves（SSW）临床真实数据集上，与文中所称的最先进方法相比，SSGCNet 在连接率为对照方法十分之一时达到相同的分类 Accuracy。摘要未提供具体 Accuracy、任务类别、被试数、数据划分或连接率定义，因此不能据此判断跨被试或跨会话泛化能力，也不能将连接率下降直接等同于推理速度或能耗的同比改善。 复现时需核对 WNFG 的构建规则、ADMM 与剪枝设置、连接率统计口径，以及对照方法是否采用一致的划分与预处理。实验协议、消融及统计信息尚未验证；实际部署中的延迟、内存和稀疏计算收益也需进一步核实。该摘要支持癫痫 EEG 分类中的稀疏化研究价值，但尚不足以确认其对其他 EEG 或 BCI 任务的有效性。