面向多类别目标 RSVP-BCI 的 EEG 与眼动融合探索

基于摘要分析；当前材料仅包含研究亮点，未取得论文全文。研究面向多类别目标快速序列视觉呈现（RSVP）BCI，探索融合 EEG 与眼动（EM）信息进行解码，并通过动态特征融合重加权和层级分类器间知识迁移改善分类。 任务与数据方面，作者设计了三种多类别 RSVP 任务，并构建包含 EEG 与 EM 数据的数据集。材料尚未说明任务类别设置、被试人数、刺激呈现方式、信号采集配置、两种模态的时间对齐方式及数据集开放情况。 方法方面，作者融合 EEG 与 EM 特征，并推导模态贡献比例，用于指导动态特征融合重加权；此外，在层级分类器之间进行知识迁移，以减少非目标相关分类错误。模态贡献比例的计算方法、权重更新依据、层级划分、知识迁移机制，以及训练和推理流程尚未验证，不能据此确定具体网络结构或损失形式。 作者报告，EEG 与 EM 特征融合能够提升多类别 RSVP 解码表现，层级分类器间的知识迁移能够减少非目标相关错误，但材料未提供量化指标、对照基线或数据划分，因而无法判断收益幅度及其在被试内、跨被试或跨会话条件下的适用性。实验协议、消融及统计信息尚未验证。 全文核对的重点是单模态与融合方法的对照、动态重加权及知识迁移各自的贡献，以及非目标错误的定义和评估方式。复现还需确认预处理、特征提取、EEG 与眼动同步、训练划分及代码和数据可用性。