FingerNet：基于深度神经网络的手指敲击任务精细运动想象 EEG 解码

基于摘要分析。该研究针对同一只手内不同手指的精细运动想象（MI）难以区分的问题，提出 FingerNet，通过提取 EEG 的空间与时间特征，分类拇指、食指、中指、无名指和小指五类手指敲击任务，区别于常见的粗粒度 MI 解码。 技术机制方面，摘要明确提出时空特征提取，但未提供网络层次、具体算子或特征融合方式。作者还针对拇指与食指类别的预测偏向引入加权交叉熵；权重如何确定、偏向是否源于类别不平衡，以及该损失与网络结构各自的贡献尚未验证，不能将预测偏向直接解释为样本数量失衡。 结果方面，作者报告在上述五分类任务中，FingerNet 的平均 Accuracy 为 0.3049，EEGNet 和 DeepConvNet 分别为 0.2196 与 0.2533；作者报告统计验证支持 FingerNet 优于两项基线。但摘要未说明这些结果属于被试内、跨被试还是跨会话评估，也未提供被试数、数据划分、统计检验方法或不确定性，因此比较仅限于作者所述实验，不能据此判断跨被试泛化或实际 BCI 可用性。 复现时需核对运动想象与实际手指敲击的任务安排、EEG 采集与预处理、训练及测试划分、基线训练配置，以及加权交叉熵的实现与消融结果。实验协议、消融及统计信息尚未验证。作者提出向其他精细 MI 或局部肌肉 MI 扩展的可能性，但摘要未提供相应验证结果。