ConvMambaNet: A Hybrid CNN-Mamba State Space Architecture for Accurate and Real-Time EEG Seizure Detection

📄 arXiv: 2601.13234v1 📥 PDF

作者: Md. Nishan Khan, Kazi Shahriar Sanjid, Md. Tanzim Hossain, Asib Mostakim Fony, Istiak Ahmed, M. Monir Uddin

分类: cs.CV

发布日期: 2026-01-19

💡 一句话要点

ConvMambaNet：一种用于精确、实时脑电癫痫检测的混合CNN-Mamba状态空间架构

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 脑电信号 癫痫检测 卷积神经网络 状态空间模型 Mamba 深度学习 时间序列分析 混合模型

📋 核心要点

  1. 癫痫脑电信号具有复杂的时序特征，传统自动化分析方法难以有效捕捉其长程依赖关系。
  2. ConvMambaNet将CNN的空间特征提取能力与Mamba-SSM的长程时序建模能力相结合，实现更全面的特征表示。
  3. 在CHB-MIT数据集上，ConvMambaNet取得了99%的准确率，验证了其在癫痫检测任务上的有效性和鲁棒性。

📝 摘要（中文）

本研究提出了一种混合深度学习模型ConvMambaNet，它集成了卷积神经网络（CNN）和Mamba结构化状态空间模型（SSM），以增强时间特征提取。通过将Mamba-SSM块嵌入到CNN框架中，该模型有效地捕获了空间和长程时间动态。在CHB-MIT头皮脑电数据集上的评估表明，ConvMambaNet达到了99%的准确率，并在严重的类别不平衡情况下表现出强大的性能。这些结果突显了该模型在精确、高效的癫痫检测方面的潜力，为临床环境中实时、自动化的癫痫监测提供了一条可行的途径。

🔬 方法详解

问题定义：论文旨在解决脑电（EEG）信号中癫痫发作的自动检测问题。现有方法，特别是基于传统CNN的方法，在捕捉EEG信号的长程时间依赖关系方面存在不足，导致检测精度受限。此外，实际临床数据往往存在严重的类别不平衡问题，进一步加剧了检测难度。

核心思路：论文的核心思路是将CNN的空间特征提取能力与Mamba结构化状态空间模型（SSM）的长程时序建模能力相结合。CNN负责提取局部空间特征，而Mamba-SSM则负责捕捉EEG信号的长程时间依赖关系，从而实现更全面、更鲁棒的特征表示。这种混合架构旨在克服传统CNN在处理时序数据方面的局限性。

技术框架：ConvMambaNet的整体架构是一个混合模型，首先使用CNN模块提取输入EEG信号的空间特征，然后将提取的特征输入到Mamba-SSM模块中进行时间建模。Mamba-SSM模块利用其选择性状态空间机制，能够自适应地关注重要的时间信息，忽略不相关的噪声。模型的输出层用于分类，判断是否存在癫痫发作。

关键创新：该论文的关键创新在于将Mamba-SSM模型引入到癫痫脑电检测任务中，并将其与CNN进行有效融合。Mamba-SSM模型相比于传统的RNN和Transformer，具有更高的计算效率和更强的长程依赖建模能力。通过将Mamba-SSM嵌入到CNN框架中，ConvMambaNet能够同时捕捉空间和时间特征，从而提高检测精度。

关键设计：ConvMambaNet的具体网络结构包括多个卷积层、池化层和Mamba-SSM块。卷积层和池化层用于提取局部空间特征，Mamba-SSM块用于捕捉长程时间依赖关系。论文中可能涉及的关键参数包括卷积核大小、池化窗口大小、Mamba-SSM块的层数和隐藏状态维度等。损失函数通常采用交叉熵损失函数，用于衡量模型的分类性能。具体训练细节，如优化器选择、学习率设置等，可能在论文中有更详细的描述。

📊 实验亮点

ConvMambaNet在CHB-MIT头皮脑电数据集上取得了99%的准确率，显著优于传统的基于CNN的模型。即使在严重的类别不平衡情况下，ConvMambaNet仍然表现出强大的鲁棒性，证明了其在实际临床应用中的潜力。该结果表明，Mamba-SSM模型在处理脑电信号等时序数据方面具有显著优势。

🎯 应用场景

ConvMambaNet具有广泛的应用前景，可用于开发实时的、自动化的癫痫监测系统。该系统可以帮助医生更快速、更准确地诊断癫痫，并为患者提供个性化的治疗方案。此外，该技术还可以应用于远程医疗和家庭监测，方便患者在家中进行脑电监测，及时发现癫痫发作的风险。

📄 摘要（原文）

Epilepsy is a chronic neurological disorder marked by recurrent seizures that can severely impact quality of life. Electroencephalography (EEG) remains the primary tool for monitoring neural activity and detecting seizures, yet automated analysis remains challenging due to the temporal complexity of EEG signals. This study introduces ConvMambaNet, a hybrid deep learning model that integrates Convolutional Neural Networks (CNNs) with the Mamba Structured State Space Model (SSM) to enhance temporal feature extraction. By embedding the Mamba-SSM block within a CNN framework, the model effectively captures both spatial and long-range temporal dynamics. Evaluated on the CHB-MIT Scalp EEG dataset, ConvMambaNet achieved a 99% accuracy and demonstrated robust performance under severe class imbalance. These results underscore the model's potential for precise and efficient seizure detection, offering a viable path toward real-time, automated epilepsy monitoring in clinical environments.