用于 EEG 解码的卷积保持网络

基于摘要分析。该研究针对 Transformer EEG 解码方法未显式利用时间距离先验的问题，提出受 Retentive Network（RetNet）启发的卷积保持网络 RetEEG，将局部特征提取与带时间衰减先验的全局关联建模结合起来。 核心机制是先通过卷积模块捕获局部 EEG 特征，再串联多个双向 retention 模块学习这些特征之间的全局关联。双向 retention 模块引入时间衰减矩阵，根据 token 的相对时间距离调整依赖关系，编码“时间距离增大时依赖趋于减弱”的先验。摘要未提供衰减矩阵的具体形式、衰减参数是否可学习、模块数量及训练目标，这些实现细节尚未验证。 作者报告，在两个公开 EEG 数据集上的实验中，RetEEG 达到最先进的 EEG 解码性能；但摘要未给出数据集名称、解码任务、被试数量、被试内或跨被试等评估协议、划分方式、指标数值及对照方法，因此尚不能判断优势的幅度、统计可靠性与跨场景适用性。实验协议、消融及统计信息尚未验证，也需核对性能增益来自时间衰减先验、双向建模还是卷积特征提取。 摘要提供了代码仓库链接，可作为复现入口；代码可运行性、数据预处理、超参数和论文实验的一致性尚未验证。阅读全文时，重点可核对时间衰减先验如何与不同 EEG 任务的时间依赖相匹配，以及双向建模的推理设置是否适用于目标使用场景；不能仅据摘要将其结果扩展为在线 BCI 或跨被试泛化效果。