Multi-BK-Net：用于临床 EEG 分析的多分支多卷积核卷积神经网络

基于摘要分析。研究面向整段 EEG 记录的病理与非病理分类，提出多分支、多尺度卷积神经网络 Multi-BK-Net，以应对 EEG 被试内与被试间变异、数据异质性及病理模式多样性。其主要研究对象是临床 EEG 病理筛查，而非 BCI 控制任务。 核心机制：Multi-BK-Net 包含五个并行分支，结合时间卷积、空间卷积和池化层；首个模块的时间卷积核大小由五个临床相关频段定义。设计意图是通过多种时间尺度提取互补特征，缓解单尺度 CNN 对不同病理模式覆盖不足的问题。摘要未给出频段边界、卷积核具体大小、分支融合方式、损失函数及训练配置，这些实现细节尚未验证。 评估与结果：作者在 Temple University Hospital (TUH) Abnormal EEG Corpus 和 TUH Abnormal Expansion Balanced EEG Corpus 两套公开数据集的预定义测试集上进行评估。作者报告，Multi-BK-Net 的 Accuracy 和敏感度优于五种基线架构及所比较的先进端到端方法，并报告消融实验支持多分支、多尺度输入模块的重要性。摘要未提供具体分数、增益、样本量或统计不确定性，因此不能量化优势；两套数据集上的结果也不能直接视为 Cross-dataset 或外部临床人群泛化证据。 局限与复现核对：需查阅全文确认预处理、记录级预测汇聚、训练与测试的被试隔离方式、类别构成、基线训练条件及消融设置。作者将结果解释为多尺度 CNN 处理异质 EEG 的优势，但真实临床环境下的可靠性仍需进一步验证。代码与权重可用性、详细实验协议及统计信息尚未验证。