MECASA：使用加性自注意力对混合 EEG-fNIRS 数据进行运动执行分类

基于摘要分析。该研究针对运动执行范式中的静息与任务状态分类，提出 MECASA，以卷积和加性自注意力提取 EEG、fNIRS 特征并进行融合；研究对象是运动执行，而非运动想象（MI）。其主要贡献是将基于 CAS-ViT 的架构用于混合 EEG-fNIRS 分类，并比较单模态与融合方案。 机制方面，MECASA 包含基于卷积的自注意力模块 CASA、混合块设计，以及连接独立 EEG 与 fNIRS 处理流的专用融合网络。作者将 CASA 描述为计算高效的模块，但摘要未给出计算量、参数量或运行时间，尚不能量化其效率优势。融合位置、时间对齐方式、损失函数及训练细节尚未验证。 实验使用 SMR Hybrid BCI dataset。作者报告，MECASA 在 EEG、fNIRS 和融合条件下均优于所比较的已有方法，融合的 Accuracy 持续高于单模态，且 fNIRS 的 Accuracy 通常高于 EEG。摘要未提供具体数值、基线名称、被试数或被试内／跨被试划分，因此这些结论仅能作为该研究所用评估条件下的定性报告，不能推断跨被试或跨会话泛化能力。 作者报告的消融结果显示，EEG 的嵌入维度为 64–128 时表现最佳，fNIRS 的 OD128（上采样光密度）配置表现更优；OD128 的具体构造与对应时间采样设置尚未验证。复现时需核对两类信号的预处理与对齐、数据划分、融合与单模态的对照条件，以及上述配置的消融范围和统计不确定性。实验协议、完整消融及统计信息尚未验证；当前证据支持进一步阅读其融合机制，不足以确认在线 BCI 的延迟、稳定性或实际使用收益。