面向运动想象脑机接口的细粒度空间–频率–时间框架

基于摘要分析。研究针对运动想象 BCI（MI-BCI）的实用性与可解释性问题，提出细粒度空间–频率–时间框架 FGSFT，将多通道 MI EEG 分解为细粒度片段，再选择关键片段进行特征提取和分类，并生成个体化可视化图谱。 核心流程包括多尺度时频分段与空间分段，得到空间–频率–时间片段（SFTSs）；随后采用定制的 wrapper-based 特征选择方法筛选关键 SFTSs，使用带类内正则化的 divergence-based common spatial pattern 算法提取判别特征，最终由线性支持向量机（SVM）分类。相较于摘要所描述的单一域分析或粗粒度分段方法，其主要方法差异是联合细化空间、频率和时间维度，并通过片段选择控制进入分类器的信息。 作者报告，在 BCI IV IIa 与 SDU-MI 数据集上的评估中，FGSFT 的信息传输率（ITR）达到其所称的最先进水平，并称空间分段策略在使用较多电极时能显著改善性能。摘要未提供具体 ITR、Accuracy、对照方法、被试数量及被试内或跨被试划分，因此尚不能核对优势幅度或直接与其他协议的结果比较。ITR 的计算方式、试次时长和片段选择开销也需结合全文确认。 框架还可生成细粒度 Motor Imagery Time-Frequency Reaction Map（MI-TFRM）及时频地形图；作者认为这些图能展示被试特异的运动想象动态神经过程，支持个性化 MI-BCI。可视化能力本身不等同于神经机制解释已被验证，也不构成神经康复或辅助技术的临床有效性证据。分段粒度、特征选择的训练与验证边界、正则化设置、运行成本，以及实验协议、消融及统计信息尚未验证；代码可用性与完整复现条件亦尚未验证。