EEG-EMG FAConformer：用于 EEG 与 EMG 融合的频率感知卷积 Transformer

基于摘要分析。该研究面向运动功能康复 BCI 中的运动模式识别，提出融合 EEG 与 EMG 的 EEG-EMG FAConformer，通过与时间、频率信息相关的注意力模块提取多模态特征。研究背景是在基于运动想象（MI）的康复训练中鼓励患者同时执行真实动作，利用 EMG 提供动作执行的生理信息；摘要并未说明实验样本是否来自康复患者。 方法的主要设计包括用于 EEG 编码的频带注意力模块，以及 Multi-Scale Fusion Module、Independent Channel-Specific Convolution Module（ICSCM）和 Fuse Module。作者认为这些模块有助于抑制 EEG 与 EMG 中的无关信息，并挖掘信号的潜在动态特征。摘要未提供各模块的具体连接方式、频带定义、时间对齐策略、损失函数及训练配置，因此尚不能据此还原实现。 作者报告，在 Jeong2020 dataset 上，EEG-EMG FAConformer 优于已有方法，并表现出较好的鲁棒性与稳定性。摘要未给出具体指标、数值、对照方法，以及被试内、跨被试或跨会话等评估协议，故目前不能判断优势幅度或不同条件下的泛化能力；实验协议、消融及统计信息尚未验证。 复现时应重点核对 EEG 与 EMG 的同步和预处理、数据划分单位、频带注意力及各融合模块的独立贡献，并比较单模态与多模态条件下的表现。还需区分模型识别运动相关脑活动与利用 EMG 中动作执行信息的贡献，不能将多模态运动模式识别结果直接等同于纯 MI 解码性能或临床康复有效性。代码、数据获取条件与完整复现配置尚未验证。