用于 BCI 运动想象解码的强性能简洁深度学习基线

基于摘要分析。该研究针对 BCI 运动想象解码中易于比较与复用的深度学习基线需求，提出 EEG-SimpleConv：以文献中常用组件构建的简洁一维卷积神经网络，强调解码性能、跨被试知识迁移和较低推理耗时，而非专门设计复杂模块。 方法与贡献：研究的主要价值在于检验标准组件组合能否构成有竞争力的基线，方便后续方法开展对照。摘要未提供具体网络结构、输入表示、预处理、损失函数、训练策略及跨被试迁移流程，因此尚不能判断性能主要来自哪些设计。 评估与结果：作者报告在四个 EEG 运动想象数据集上进行评估，包含模拟在线设置，并与近期深度学习和机器学习方法比较。作者报告 EEG-SimpleConv 在所评估条件下表现至少相当，或具有明显效率优势，同时具备较强的跨被试知识迁移能力与较低推理耗时。摘要未给出数据集名称、被试数、数据划分、具体指标或数值；不同设置下的性能与效率结论不能据此直接合并比较，模拟在线评估也不能等同于真实在线闭环验证。 复现条件：作者表示已开放模型与实验代码，但当前材料未提供代码地址。复现时需核对数据划分、预处理与训练配置、跨被试迁移是否使用目标被试数据，以及推理耗时对应的硬件和测量方式。完整实验协议、消融及统计信息尚未验证。