用于基于 EEG 的癫痫发作亚型分类的多分支互蒸馏 Transformer

基于摘要分析。研究针对精准癫痫诊断中的跨被试 EEG 癫痫发作亚型分类，提出 Multi-Branch Mutual-Distillation（MBMD）Transformer，旨在降低深度学习对大量标注训练数据的依赖。其主要研究对象是癫痫发作亚型识别，而非 BCI 控制任务。 核心机制是在标准 Vision Transformer 中，将所有偶数编号的编码器块替换为作者设计的多分支编码器块，并通过互蒸馏在原始 EEG 与不同频带的小波表征之间传递知识。该设计将多频带信息与原始信号表征纳入知识交互过程；具体分支结构、频带划分、小波变换配置、蒸馏目标及损失权重尚未验证。 作者报告，在两个公开 EEG 数据集的跨被试癫痫发作亚型分类实验中，MBMD Transformer 优于若干传统机器学习方法及作者所称的先进深度学习方法。摘要未提供数据集名称、被试数、标注数据规模、划分方式、具体基线或评价指标，因此尚不能量化性能增益，也不能判断不同训练数据规模下的稳定性。作者称，据其所知，这是知识蒸馏用于基于 EEG 的癫痫发作亚型分类的首次工作；该优先性声明尚未独立检索确认。 复现需核对多分支编码器与互蒸馏的实现细节、跨被试划分及预处理流程，并确认少量标注数据的定义、各基线训练条件，以及多分支结构和互蒸馏各自的贡献。实验协议、消融及统计信息尚未验证，代码可用性亦尚未确认。摘要中的分类结果不等同于临床诊断有效性或 BCI 任务有效性的验证。