用于癫痫 EEG 信号识别的新型多特征融合注意力神经网络

基于摘要分析。该研究针对单通道癫痫 EEG 信号的自动分类，将时频特征与非线性动力学特征结合，提出基于自注意力融合的 HG-SANet。主要研究对象是癫痫相关 EEG 识别，而非 BCI 控制或意图解码。 方法包含三个模块：第一模块以 Hilbert spectrum（HS，希尔伯特谱）构建时频表示，并送入双分支并行卷积网络，通过两分支高维特征的互补提取时频信息；这里的双分支结构不代表输入是双通道 EEG。第二模块构建 grayscale recurrence plot（GRP，灰度递归图），并用带残差连接的卷积模块学习非线性动力学特征；作者认为 GRP 比传统 RP 包含更多此类信息。第三模块通过自注意力机制为不同类型的特征分配权重，完成融合。摘要未提供具体网络配置、损失函数或训练细节。 作者报告，在 Bonn EEG database 和 Bern-Barcelona EEG database 的若干分类任务中，HG-SANet 能捕获不同特征域的贡献、增强模型表征能力并提高识别 Accuracy。摘要未给出任务类别、具体数值、对照基线、数据划分及被试内或跨被试协议，因此不能量化增益，也不能直接比较不同数据库上的结果；实验协议、消融及统计信息尚未验证。 复现时应核对 HS 与 GRP 的生成参数、信号分段及预处理、融合模块配置，并检查单一特征分支与融合方案的对照。作者提出改善癫痫诊疗效率的应用前景，但所给材料仅描述数据库分类结果，临床有效性、跨被试泛化及真实噪声条件下的稳定性尚未验证。