HCFT：用于跨任务 EEG 解码的分层卷积融合 Transformer

基于摘要分析。该研究针对 EEG 非平稳性及模型跨任务、跨被试泛化受限的问题，提出 Hierarchical Convolutional Fusion Transformer（HCFT），通过双分支卷积编码器与分层 Transformer 融合多尺度 EEG 表征，并在事件相关分类与连续癫痫发作预测任务上评估。 机制上，时域卷积分支与时空卷积分支分别提取局部时间动态和时空动态，各阶段通过交叉注意力实现分支间交互与特征对齐，随后利用分层 Transformer 融合结构编码不同特征阶段的全局依赖。作者还引入采用 Dynamic Tanh normalization 的任务自适应稳定化策略，旨在增强瞬态特征检测与训练稳定性；其具体公式、自适应方式和计算开销尚未验证。 作者报告，在 BCI Competition IV-2b 上平均 Accuracy 为 80.83%、Cohen's Kappa 为 0.6165；在 CHB-MIT 连续癫痫发作预测任务上，Sensitivity 为 99.10%、误报率为每小时 0.0236 次、Specificity 为 98.82%。这些数值对应不同任务与指标，不宜直接比较。摘要未给出相应的被试内或跨被试划分、预测时间窗及指标汇总方式，因此尚不能将上述分数直接视为跨被试结果。 作者报告模型优于十余种先进基线，消融支持各核心组件的作用，并称模型具有较强跨被试泛化能力与结构可解释性。但在两个数据集分别评估，并不自动证明跨任务迁移有效；是否共享训练、是否存在源任务到目标任务的迁移，以及测试时是否需要适配，均需正文确认。复现时应重点核对数据划分、预处理、癫痫预测评价协议、基线配置、消融与统计信息；“轻量化”也需参数量和推理开销支持，以上信息尚未验证。