본 논문은 경량화된 1차원 CNN 모델과 구조적 가지치기를 이용하여 EEG 기반 발작 감지의 효율성과 신뢰성을 향상시키는 방법을 제시합니다. 과적합을 방지하기 위해 초기 중단 기법을 사용하여 훈련된 모델은 92.78%의 정확도와 0.8686의 Macro-F1 점수를 달성했습니다. 50%의 convolutional kernels을 가지치기한 결과, 가중치와 메모리 사용량이 50% 감소했음에도 불구하고, 예측 성능은 유지되었으며, 정확도는 92.87%로, Macro-F1 점수는 0.8707로 소폭 향상되었습니다. 이는 구조적 가지치기가 중복성을 제거하고 일반화 성능을 향상시키며, 초기 중단과의 조합을 통해 자원 제약 환경에서 발작 감지의 효율성과 신뢰성을 향상시키는 유망한 방법임을 보여줍니다.
