EEG-Deformer：用于脑机接口的密集卷积 Transformer

基于摘要分析。EEG-Deformer 针对 BCI 中 EEG 时间动态难以有效学习的问题，在 CNN-Transformer 中引入分层粗到细时间建模和多层时间信息净化，旨在改善脑活动解码。作者认为，现有多数 CNN 与 Transformer 结合的方法虽具备长程序列学习能力，但不足以捕获 EEG 从粗粒度到细粒度的时间模式。 核心机制包括两个组件：Hierarchical Coarse-to-Fine Transformer（HCT）块将 Fine-grained Temporal Learning（FTL）分支融入 Transformer，以学习粗到细时间模式；Dense Information Purification（DIP）模块利用经过净化的多层时间信息提升解码准确性。摘要未说明 FTL 的具体运算、各层信息如何连接与净化，也未提供损失函数、训练流程和推理配置，这些实现细节尚未验证。 作者报告，在三项代表性认知任务上的实验中，EEG-Deformer 的表现优于或可比于现有最先进方法，并据此主张其具有泛化能力。但摘要未列出任务名称、数据集、被试数量、评价指标、具体数值或对照方法，也未明确采用被试内、跨被试或跨会话协议，因此不能将这一泛化结论直接解释为跨被试或跨数据集有效。实验协议、消融及统计信息尚未验证。 作者报告，可视化结果显示模型利用了与相应认知任务具有神经生理意义的脑区；这提供了解码依据的解释线索，但仅凭摘要不能确认其稳定性或因果意义。材料给出了源代码入口，复现时可重点核对 HCT、FTL 与 DIP 的独立贡献，以及不同时间尺度、被试差异和通道配置下的效果；代码可运行性、数据获取条件及完整配置尚未验证。