运动想象 BCI 中的视觉提示会使深度学习 EEG 分类模型产生偏倚，但对标准机器学习模型未见此影响

基于摘要分析。本研究考察运动想象（MI）BCI 的输入 EEG 时间窗包含视觉提示起始时，分类器是否会利用提示相关活动，而非运动想象相关神经活动。核心贡献是结合分段条件对照与模型解释，区分分类 Accuracy 提升与神经生理有效性。 作者在两个大型开放 EEG 数据集上，比较 CSP+LDA、卷积网络 DeepConvNet 和基于 Transformer 的 EEG 基础模型 REVE，分别采用包含或排除视觉提示起始的两种分段策略进行训练与测试，并通过 Saliency maps 等归因图及 CSP patterns 分析模型依赖的信号特征。摘要未提供数据集名称、具体时间窗、预处理设置及被试内、跨被试或跨会话划分，相关实验协议尚未验证。 作者报告，在上述数据集与分段条件比较中，包含视觉提示起始显著提高了 DeepConvNet 和 REVE 的分类 Accuracy；归因分析显示，模型主要依赖早期顶叶活动，作者认为其很可能对应提示相关视觉诱发电位，而非 MI 相关感觉运动节律的事件相关去同步化/同步化（ERD/ERS）。排除提示起始时，后者的特征更为突出。相比之下，作者报告 CSP+LDA 在两种条件下 Accuracy 变化很小，且呈现一致的运动皮层活动模式。摘要未给出具体分数、效应量或显著性检验细节。 这些结果提示，在所测模型与数据条件下，更高的分类性能不一定意味着模型更准确地识别了运动想象活动；视觉提示相关信号可能影响对无此类提示的异步或真实场景 BCI 的适用性。该解释不等于已经完成真实场景验证，也不能外推为所有深度学习模型均存在同等偏倚。复现时需核对提示与类别的对应关系、分段边界及长度、训练测试划分、归因方法和统计分析；这些信息及消融结果尚未验证。作者据此主张系统使用可解释性工具，并从深度学习输入片段中排除视觉提示起始诱发反应所在时段。