精度约束的 CNN 剪枝用于高效可靠的 EEG 癫痫检测
机器学习
2025-09-08 v1 人工智能
摘要
深度学习模型，尤其是卷积神经网络（CNN），在脑电图（EEG）癫痫检测等生物医学信号处理中展现了巨大潜力。然而，这些模型面临挑战，主要源于其规模和计算需求，在实时检测或资源受限的环境中尤为突出。本研究提出了一种轻量级一维 CNN 模型，结合结构化剪枝以提升效率和可靠性。该模型采用温和早停策略训练以应对可能的过拟合，准确率达到 92.78%，宏 F1 分数为 0.8686。对基线 CNN 的结构化剪枝基于其对模型预测的重要性移除了 50% 的卷积核。令人惊讶的是，在将权重和内存削减 50% 后，新网络仍能保持预测能力，同时精确度小幅提升至 92.87%，宏 F1 分数提升至 0.8707。总体而言，我们有力地证明了结构化剪枝能够去除冗余、改善泛化能力，并结合温和早停策略，为提升癫痫检测效率和可靠性提供了一条有前景的途径，这对资源受限场景具有明确的推动意义。
引用
@article{arxiv.2509.05190,
title = {Accuracy-Constrained CNN Pruning for Efficient and Reliable EEG-Based Seizure Detection},
author = {Mounvik K and N Harshit},
journal= {arXiv preprint arXiv:2509.05190},
year = {2025}
}