基于神经网络的 EEG 与 EMG 多模态伸手抓握动作解码

基于摘要分析。该研究针对复杂抓握类型的多模态运动解码，采用基于 EEGNet 的双分支 CNN 联合处理 EEG 与 EMG，并与仅使用 EEG 或 EMG 的单模态基线比较，考察两种信号在不同运动阶段的互补价值。 研究任务与方法：作者记录了 12 名参与者执行延迟伸手抓握任务时的 EEG 和 EMG，目标为四种物体之一：把手、销钉、卡片和球。任务涉及实际动作执行，而非运动想象。多模态 CNN 的两个分支均基于 EEGNet；摘要未说明具体融合位置、损失函数、预处理、训练流程或推理时间窗，这些细节尚未验证。 结果与对照：在上述任务中，作者报告 EEG+EMG 管线在运动启动阶段优于 EEG 单模态管线，在运动准备阶段优于 EMG 单模态管线。作者还报告，多模态方法可在任务的较广泛阶段准确区分抓握类型，尤其从运动启动阶段开始。摘要未提供 Accuracy 等定量指标、提升幅度或统计检验，不能据此认定其在所有阶段均优于两种单模态基线。 证据边界与复现条件：这些结果支持在该实际抓握任务中进一步研究多模态解码，但尚不能直接外推至运动功能受损人群或在线 BCI。复现需核对 EEG 与 EMG 的采集及同步方式、通道配置、动作阶段划分、训练与测试划分，以及基线是否采用一致的评估条件。被试内、跨被试和跨会话协议、消融及统计信息尚未验证；作者提出的更自然 BCI 用户体验属于未来应用目标，而非摘要已验证的效果。