BiCurNet：基于运动前 EEG 的肱二头肌弯举轨迹估计神经解码器

该研究面向可穿戴机器人的预先辅助，提出 BiCurNet，利用运动前 EEG 提前估计肱二头肌弯举的运动学参数与轨迹。基于摘要分析，核心贡献是将轻量深度学习架构与空间域、谐波域 EEG 特征结合，用于连续运动轨迹解码。 方法方面，BiCurNet 使用深度可分离卷积层和定制注意力模块；摘要未提供具体网络结构、注意力计算方式、损失函数或训练细节。作者通过脑源成像论证提前估计运动学参数的可行性，并声称首次将计算高效的 spherical harmonics 与 head harmonics 域 EEG 特征用于运动学参数预测；这一优先性声明尚未独立核实。脑源成像在特征构建和解码流程中的具体作用尚未验证。 结果方面，作者报告：在 delta 频段结合空间域与谐波域 EEG 特征时，估计轨迹与真实轨迹之间的最佳 Pearson correlation coefficient（PCC）为 0.7。摘要未明确该数值对应被试依赖还是被试独立训练，也未说明时间窗、数据划分、对照基线及汇总方式，因此不能将其解释为跨被试泛化的确定效果。作者还报告，使用含伪迹的 EEG，在被试依赖与被试独立训练条件下展示了网络的鲁棒性，但摘要未给出各条件的具体指标。 复现与应用判断需进一步核对：运动前窗口相对动作起点的提前量、轨迹标签与 EEG 的同步方式、被试及试次数量、训练与测试划分、伪迹类型及处理流程，以及特征组合和注意力模块的消融。轻量架构并不直接等同于实时系统可用性，仍需验证推理延迟、计算成本与在线闭环表现。实验协议、消融及统计信息尚未验证，代码和数据可用性亦尚未验证。