FBMSNet：用于基于 EEG 的运动想象解码的滤波器组多尺度卷积神经网络

基于摘要分析。该研究针对 EEG 运动想象（MI）解码中脑活动模式复杂、可用训练样本较少的问题，提出端到端滤波器组多尺度卷积神经网络 FBMSNet，将多频带表示、多尺度时间特征提取与判别性特征监督结合用于 MI 分类。 核心机制：首先通过滤波器组构建 EEG 的多视角频谱表示，再使用混合深度卷积（mixed depthwise convolution）提取不同时间尺度的特征，随后进行空间滤波；作者将空间滤波的作用描述为缓解容积传导影响。训练采用交叉熵与 center loss 联合监督，目标是增大类间分散程度并提高类内紧凑性。摘要未提供滤波频段、卷积核尺度、网络层数、损失权重及训练参数，相关实现细节尚未验证。 结果：作者报告，在 BCI Competition IV 2a 和 OpenBMI 两个 MI 数据集上，与多种先进 EEG 解码方法比较，四分类和二分类 hold-out Accuracy 分别为 79.17% 和 70.05%，并称显著优于所比较的基线。摘要未明确 hold-out 的被试、会话及训练测试划分，因此不能将这些结果直接归为被试内、跨被试或跨会话性能，也不宜与其他协议下的分数直接比较。具体基线配置、显著性检验、消融及统计信息尚未验证。 复现方面：摘要提供了 FBMSNet 源代码仓库，但代码内容及其与论文实验的一致性尚未核验。复现时应优先核对数据预处理、划分协议、滤波器组设置和联合损失配置，并检查各模块的独立贡献。作者将结果解释为对更稳健 BCI 应用的支持；摘要中的离线分类证据尚不足以确认在线使用或跨场景稳健性。