PaperNet：用于 EEG 癫痫检测的高效时序卷积与通道残差注意力
信号处理
2025-12-30 v1 机器学习
摘要
脑电图(EEG)信号包含丰富的时频结构，但因噪声、主体变异性和多尺度动力学而难以建模。轻量级深度学习模型显示出前景，但许多模型要么仅依赖局部卷积，要么需要重型循环模块。本文提出了 PaperNet，这是一个紧凑的混合架构，结合了时序卷积、通道注意力模块和用于短窗口分类的轻量级双向循环块。使用公开的 BEED：班加罗尔 EEG 癫痫数据集，我们在明确定义的主体独立训练协议下评估了 PaperNet，并将其与 established 和广泛使用的轻量基线进行比较。该模型在 held-out 测试集上以约 0.6M 参数实现 0.96 的宏平均 F1 分数，同时在所有四个类别之间保持平衡性能。消融研究表明了时序卷积、残差注意力和循环聚合的贡献。通道注意力权重还提供了电极相关性的洞察。计算分析显示，PaperNet 在整个过程中保持足够的效率，可用于资源受限系统的实际部署。这些结果表明， Carefully 组合时序滤波、通道重加权和循环上下文建模即可在不产生过多计算成本的情况下获得强大的 EEG 分类性能。
引用
@article{arxiv.2512.22172,
title = {PaperNet: Efficient Temporal Convolutions and Channel Residual Attention for EEG Epilepsy Detection},
author = {Md Shahriar Sajid and Abhijit Kumar Ghosh and Fariha Nusrat},
journal= {arXiv preprint arXiv:2512.22172},
year = {2025}
}
备注
15 pages, 4 figures, International Conference on Intelligent Data Analysis and Applications (IDAA 2025)