AFPM：用于跨数据集 EEG 解码的基于对齐的帧块建模

基于摘要分析。本文针对 BCI 中跨数据集 EEG 解码受到通道布局不一致、信号分布非平稳及神经生理先验整合不足的限制，提出即插即用的 Alignment-Based Frame-Patch Modeling（AFPM）框架。核心贡献是通过空间对齐与帧块编码，将不同数据集的 EEG 转换为统一的空间布局和时空 patch 表示。 方法包含两个组件：Spatial Alignment 根据脑区先验选择任务相关通道，对齐不同域的 EEG 分布，并将所选通道重映射至统一布局；Frame-Patch Encoding 将多数据集信号组织为统一时空 patch，用于后续 EEG 解码。摘要未说明分布对齐的具体算法、通道重映射方式、编码器结构、损失函数以及训练与推理流程，相关实现细节尚未验证。 作者报告，在 Cross-dataset EEG 解码背景下，与 17 种需要数据集特定调优的方法相比，免校准 AFPM 在运动想象（MI）与事件相关电位（ERP）任务上的性能增益最高分别为 4.40% 和 3.58%。摘要未给出指标名称、对应数据集、具体对照方法、数据划分及增益计算方式，因此不能将这些数值解释为 Accuracy 提升或百分点变化，也不能判断其是否代表各数据集上的一致收益。作者称其为首个免校准跨数据集 EEG 解码框架，这一优先性主张尚未检索确认。 复现时需核对“免校准”的操作定义、目标数据是否及如何参与对齐、通道与脑区先验的适用范围，以及多数据集训练和测试的划分方式。对齐与帧块编码各自的贡献、跨被试及跨会话因素、统计不确定性、代码与数据可获得性均需全文确认；实验协议、消融及统计信息尚未验证。作者提出该框架可增强 BCI 的现实应用实用性，但摘要不足以确认真实部署效果。