ERP-XTTN：用于跨被试 ERP 分类的可解释原型引导交叉注意力

基于摘要分析。该研究针对无需校准的跨被试 ERP 分类中泛化能力与可解释性难以兼顾的问题，提出 ERP-XTTN（ERP Cross-Attention），通过固定差异波原型引导交叉注意力，使分类决策直接依赖原型相似性与成分幅度，而非仅在分类后提供解释。 机制上，模型采用仅含 query-key、无 value 投影的交叉注意力，将输入 EEG 峰值关联至固定原型。原型由训练折内总体平均差异波的显著极值自动提取；分类同时使用原型相似性和单独的成分幅度度量，使原型内容在结构上参与每次决策。其关键检验是区分模型真正利用生理原型内容，还是仅利用注意力路由模式。 评估覆盖 BNCI Horizon 2020、HRI Cursor 和 ERP CORE 三个公开来源，以及 ERN、LRP、ErrP、N170、P300、N2pc、MMN、N400 八类 ERP 成分。作者采用留一被试交叉验证（LOSO），在三通道配置和因果滤波条件下，与 EEGNet、EEG-Deformer、ERP Prototypical Matching Net 及结合黎曼几何的 xDAWN（xDAWN+RG）比较。作者报告，在该三通道评估条件下，最佳基线与 ERP-XTTN 的平均 ROC 曲线下面积差距为 0.025；摘要未提供各任务绝对结果及差距分布，不能据此判断所有任务均达到相同性能水平。 作者报告，原型干预支持决策依赖原型的生理内容，而非仅依赖注意力路由；在所有数据集中，假阳性的形态均比真阴性更接近真阳性，作者据此认为分类错误具有神经生理上的可解释性。这些结果支持进一步检查模型的决策依据，但不等同于已验证真实在线 BCI 部署效果。作者另称，据其所知，这是 ERP CORE 上首个 epoch 级 LOSO 基准。 尚未取得全文；各来源的被试数、具体通道、任务划分、原型提取细节、幅度度量、干预设计、统计不确定性及代码可用性尚未验证，完整实验协议、消融及统计信息需核对正文。