使用卷积神经网络进行运动想象分类的空间–频谱特征表示

基于摘要分析。该研究针对 EEG 运动想象（MI）分类中高维特征、被试特异性及信号变异带来的建模困难，提出空间–频谱特征表示方法，并结合 3-D-CNN 进行单试次分类。核心贡献是将被试优化与被试无关的频谱滤波结果组织为三维特征张量，以保留 EEG 特征的多变量结构及依赖关系。 技术机制：作者将两类频谱滤波器处理后的数据堆叠为 3-D 特征图，再输入 3-D-CNN；同时实现逐层分解模型，用于获得电极通道与频域的相关性分数。摘要未明确张量各轴的定义、滤波器优化方式、网络结构、损失函数及训练细节，这些内容尚未验证。被试优化滤波依赖哪些数据、如何与训练及测试划分衔接，也是复现时需核对的关键条件。 结果：作者报告，在 BCI competition data sets IV_2a、IV_2b 和 OpenBMI 上，平均 Accuracy 分别为 87.15%（±7.31）、75.85%（±12.80）和 70.37%（±17.09）。摘要未说明这些结果对应被试内、跨被试还是跨会话协议，也未解释 ± 项的统计含义，因此不能据此进行跨协议比较。作者报告其结果优于所比较的先进方法，但具体基线、数据划分及统计检验尚未验证。 解释性与复现边界：作者报告，逐层分解得到的相关性分数对应具有神经生理合理性的电极通道和频域，并将其作为方法有效性的支持证据；这不能单独证明模型具有跨被试或跨会话稳健性。复现应重点核对频谱优化的数据使用范围、预处理与试次划分、三维张量构造，以及分解结果在不同被试和重复训练中的稳定性。实验协议、消融及统计信息尚未验证。