神经元级架构增长：面向 EEG 时间序列解码的受控评估

基于摘要分析。该研究针对卷积 EEG 解码器通常采用预先固定宽度的问题，评估训练期间按潜在损失下降空间增加神经元，能否优于参考宽度模型。作者在 12 个运动想象数据集、三种评估协议下，对三种卷积骨干网络实施增长，并逐被试与各自参考模型比较。 机制方面，增长过程包含候选神经元的选择步骤，依据奇异值分解得到的动态阈值决定是否保留候选神经元。摘要未给出损失下降空间的具体估计方法、阈值计算公式或增长调度，相关实现尚未验证。 作者报告，在上述评估范围内，增长版 ShallowFBCSPNet 的得分比参考模型高 2.9 个百分点，参数量为参考模型的 0.57 倍；但摘要未明确该得分的指标名称及各协议下的汇总方式。作者报告，SCCNet 的得分变化幅度不超过 1.2 个百分点；增长版 Deep4Net 的 Accuracy 下降，但其增长实现需要进行适配，作者认为这些改动妨碍了忠实比较，因此不宜据此直接判定该骨干不适合增长。 作者将不同架构的表现差异与候选神经元筛选步骤联系起来，认为增长是否有效取决于筛选准则能否区分候选神经元，并提出可用跳过神经元添加的比例判断解码器是否适合从较小规模开始增长。这些解释仍需结合正文中的消融和统计证据核对。三种协议是否涉及被试内、跨被试或跨会话设置，以及数据集名称、被试数、划分、训练预算、随机种子与统计信息均尚未验证，不能将摘要中的汇总差异视为各协议均有一致提升。