面向 EEG 信号的统一融合网络模型

基于摘要分析。该研究针对 EEG 低信噪比与噪声干扰带来的表征和状态辨别困难，提出用于优化 EEG 信号表征与融合学习的统一信息论框架，并据此构建 EEG-FNN（Fusion Neural Network），通过注意力驱动的融合技术整合原始 EEG 与 Gramian Angular Field（GAF）变换表征。 技术机制方面，方法的核心是将原始信号与变换后的表征联合建模，以捕获不同的神经活动模式。摘要明确了信息论框架、GAF 变换和注意力融合三项要素，但未提供框架的数学定义、优化目标、融合位置、网络结构或训练与推理流程，因此尚不能判断这些模块如何共同改善噪声条件下的表征，以及各模块对性能的独立贡献。 结果方面，作者报告，在短时 BCI 数据集和长时临床数据集上的实验中，EEG-FNN 相比现有方法具有更高的 Accuracy 与鲁棒性。摘要未给出数据集名称、具体任务、被试数、数据划分、对照方法、数值结果或鲁棒性测试条件；被试内、跨被试与跨会话等评估协议尚未验证，不能据此量化提升幅度或推断其跨场景泛化能力。 阅读全文时宜重点核对原始 EEG 与 GAF 的构造及对齐方式、注意力融合相对单一表征的增益，以及短时 BCI 与长时临床任务各自的评估设置。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。摘要开篇涉及情绪、社会交互与神经系统疾病背景，但不足以确认实验具体覆盖了哪些任务，也不能将临床数据上的定性优势直接视为诊断有效性证据。