FSL-MIC：用于 EEG 运动想象分类的注意力小样本学习框架

基于摘要分析。该研究面向 EEG 运动想象（MI）分类中标注数据有限、跨任务与跨被试泛化困难的问题，提出 FSL-MIC 小样本学习框架，通过特征嵌入、注意力和关系建模三个模块，利用少量标注样本进行分类。 机制上，特征嵌入模块提供信号表征；注意力模块识别与查询数据相关的关键特征；关系模块建模跨被试支持集与查询集之间的关系，并预测查询标签。摘要还提到研究 Relation Networks、迁移学习及数据增强对分类性能的作用，但具体网络结构、注意力计算方式、损失函数、训练流程及增强策略尚未验证。 作者报告，该框架在 BCI 2a、BCI 2b 以及作者的实验数据集上有效，并显著优于传统方法。摘要未给出具体指标、分数、对照方法或统计检验，因此不能量化提升或确认其显著性依据。“未见被试类别”的表述也需结合全文核对：目前无法确定训练与测试被试如何隔离、支持集如何采样，以及任务类别是否保持一致，不宜直接视为已验证的跨被试泛化结果。 复现时值得重点核对支持集与查询集的构造、每类标注样本数量、预处理与数据划分，以及注意力、关系模块、迁移学习和数据增强各自的贡献。被试规模、实验协议、消融及统计信息尚未验证。作者提出面向实时 BCI 的应用前景，但摘要未提供在线验证、推理时延或 ITR，不能据此认定其已具备实时系统性能。