通过选择性通道表征与时频谱图成像对同步 EEG-fNIRS 数据进行分类

基于摘要分析。该研究针对 EEG-fNIRS 多模态 BCI 中特征选择效率不足、EEG 时间信息与 fNIRS 空间信息利用不充分的问题，提出 multimodal DenseNet fusion（MDNF）模型，将 EEG 时频图像特征与 fNIRS 谱熵特征融合，用于认知与运动想象任务分类。 技术路径是先通过短时傅里叶变换将 EEG 转为二维时频谱图，再利用迁移学习提取判别性特征，随后与 fNIRS 的谱熵特征整合。摘要明确了两种模态的表征方式，但未说明预训练来源、DenseNet 具体配置、融合位置、训练损失或同步对齐方式。标题中的选择性通道表征如何实现、通道选择是否随被试或任务变化，也尚未验证；不能仅凭模型名称推断其网络结构。 作者报告，在两个公共数据集上，MDNF 优于所比较的现有最先进方法，并将潜在用途扩展至神经诊断与康复。摘要未提供数据集名称、被试数、任务细节、Accuracy 数值及被试内、跨被试或跨会话评估协议，因此目前不能量化优势，也不能将分类结果视为临床验证。实验协议、消融及统计信息尚未验证。 复现时宜核对时频谱图生成参数、fNIRS 谱熵计算方式、通道选择流程、两种模态的时间对齐，以及预处理和特征选择是否限定在训练划分内。还需确认 EEG 单模态、fNIRS 单模态及融合模型是否在相同协议下比较，以判断收益来自模态互补、迁移学习还是其他处理环节；这些均是待核对事项，而非已确认的实验问题。