FRIST：fMRI 表征引导的共享空间训练改善仅用 EEG 的单手指 BCI 解码

基于摘要分析。该研究针对单手指皮层表征空间邻近、体积传导使头皮 EEG 难以区分的问题，提出 fMRI Representation-Informed Shared-Space Training（FRIST），利用 fMRI 的空间信息辅助 EEG 表征学习，推理时仅使用 EEG。研究涵盖运动执行（ME）与运动想象（MI），并非仅针对 MI。 FRIST 包含两个阶段：先从同步 EEG-fMRI 记录中学习受 fMRI 信息引导的频谱投影，再以 fMRI 导出的类别几何约束 EEG 预测的残差细化。跨记录的信息迁移依赖共享手指标签，不要求逐试次配对；这一点不等于训练阶段完全不需要同步 EEG-fMRI 数据。摘要未给出具体损失函数、几何构建方式或残差细化实现。 作者在 12 名健全被试中，以按时间顺序留出会话、模拟在线情境的二分类与三分类协议进行评估。使用 EEGNet 作为 EEG 特征提取器时，作者报告，相较仅用 EEG 的 EEGNet 基线，组平均 Accuracy 在二分类 ME 中由 66.93% 提升至 74.53%，三分类 ME 由 44.83% 提升至 56.58%；二分类 MI 由 80.78% 提升至 85.63%，三分类 MI 由 60.93% 提升至 69.90%。这些结果来自模拟在线的留出会话评估，不能等同于已完成真实在线闭环验证。 作者还报告，在目标被试自身 fMRI 数据不可用时，FRIST 仍能改善仅用 EEG 的解码，但摘要未提供该条件下的具体数值与供体数据组织方式。作者报告其可用于多个 EEG 解码骨干；在上述留出会话评估背景下，使用 EEG Conformer 时，二分类 MI 与三分类 MI 的 Accuracy 分别达到 87.40% 和 72.54%，但摘要未列出对应骨干的基线数值。 复现重点是共享标签下的跨模态对齐、fMRI 类别几何构建，以及目标会话与辅助数据的使用边界。具体手指组合、会话划分、预处理、训练配置、消融及统计信息尚未验证，代码可用性亦尚未验证。