CSP-Net：共同空间模式增强的神经网络用于基于 EEG 的运动想象分类

基于摘要分析。该研究面向基于 EEG 的运动想象（MI）分类，将利用不同 MI 任务头皮信号能量分布差异的共同空间模式（CSP）滤波器融入 CNN，提出两种 CSP-Nets，以结合传统空间滤波先验与数据驱动表征学习。 核心机制：CSP-Net-1 在 CNN 前直接添加 CSP 层，旨在提升输入的可判别性；CSP-Net-2 用 CSP 层替换 CNN 中的一个卷积层。两种结构的 CSP 层均由训练数据计算得到的 CSP 滤波器初始化，训练时可选择固定参数，或通过梯度下降继续优化。其主要方法特点是将 CSP 显式纳入网络结构，而不是仅依赖 CNN 自行学习空间滤波。 结果与对照：作者报告，在四个公开 MI 数据集上，两种 CSP-Nets 在被试内和跨被试分类中均持续优于各自的 CNN 骨干，并在训练样本很少时尤其有用。摘要未提供数据集名称、具体划分、骨干配置、评价指标及增益数值，不能据此判断提升幅度或跨数据集稳定性。 复现时值得核对 CSP 滤波器估计所用的训练数据范围、跨被试协议、固定与可训练 CSP 层的对照，以及不同样本规模下相对同一 CNN 骨干的表现。实验协议、消融及统计信息尚未验证；仅凭摘要也无法确认两种结构及参数更新策略各自的优势边界。