NeuroSketch：通过系统性架构优化实现神经解码的有效框架

NeuroSketch 研究神经解码中的模型架构选择与优化，提出从基础架构比较到宏观、微观逐步优化的框架，旨在提升 BCI 相关解码性能。基于摘要分析，未取得论文全文。 核心方法：作者以基础架构研究为起点，报告 CNN-2D 在所考察的神经解码任务中优于其他架构，并从时间与空间两个角度探究其有效性；随后由宏观到微观优化架构，作者报告每一步均带来性能提升。摘要未提供 CNN-2D 的具体输入组织、时空处理方式、优化模块、训练目标或架构选择流程，因此尚不能判断哪些设计是增益的主要来源，也不能据此补写网络结构。 实验范围与结果：作者报告，架构探索与模型验证共开展超过 5,000 次实验，覆盖视觉、听觉和语音三类模态，EEG、sEEG（摘要写作 SEEG）和 ECoG 三类脑信号，以及八种解码任务。作者声称 NeuroSketch 在全部受评估数据集上取得 SOTA 表现；摘要未给出数据集名称、任务定义、被试数、具体指标及分数，也未说明被试内、跨被试或跨会话划分。该结果应理解为作者在其评估范围内的报告，不能据此认定其在所有神经解码场景中均具有优势。 复现与证据边界：阅读全文时需核对架构对照、逐步优化的消融结果、数据划分、调参与架构选择所用数据、统计信息，以及各任务的训练预算和评价指标。实验协议、消融及统计信息尚未验证；代码、配置与数据可获得性也尚未验证。本文直接研究神经信号解码，无需借助跨领域迁移推断建立相关性，但其对具体 BCI 应用的适用性仍取决于任务、数据规模和部署条件。