用于 EEG–fNIRS 分类的带自定义损失函数的时间注意力融合网络

基于摘要分析。该研究面向 EEG–fNIRS 多模态脑活动分类，针对多被试数据中的类别不平衡与类间变异，提出时间注意力融合网络 TAFN 及自定义损失函数，用于认知任务和运动想象（MI）任务的分类。 核心机制是将注意力机制引入长短期记忆与时间卷积层，以捕获 EEG–fNIRS 数据的空间和时间依赖；自定义损失结合类别权重与非对称损失项，旨在处理类别不平衡并改善认知及运动意图分类。摘要未提供注意力的具体计算方式、模态融合位置、损失公式或权重设置，相关实现细节尚未验证。研究利用 EEG 与 fNIRS 的互补性，但两种模态的采样、时序对齐和伪迹处理方式仍需全文核对。 作者报告，在跨被试评估中，认知任务的 Accuracy 超过 99%，MI 任务的 Accuracy 超过 97%。摘要未说明数据集、被试数量、类别构成、训练与测试划分及具体对照方法，因此这些结果目前只能按所述跨被试背景理解，不能直接与其他协议的结果比较。作者声称优于传统方法，但基线设置、消融及统计信息尚未验证。 作者还报告利用 MI 任务中的头皮地形图分析模型辨识癫痫相关细微差异的能力，并提出癫痫及发作检测的潜在应用价值；摘要未提供对应临床队列、诊断指标或发作检测评估，不能据此视为临床有效性证据。复现需取得完整的数据与划分协议、预处理和模态对齐流程、网络及损失配置，并核对注意力融合与自定义损失各自的贡献。