PyraNet：面向多种 BCI 范式的轻量神经信号解码器

基于摘要分析。该研究探讨通用神经信号解码是否必须依赖模型规模扩张，提出结合神经生理学先验的轻量架构 PyraNet，以较小参数预算建模跨通道与多尺度时间依赖，并通过数据集级自适应网格选择配置特征聚合。 核心机制是先以可学习空间滤波器提取具有判别力的跨通道模式，再用分组卷积与扩张卷积在多个时间感受野上整合这些模式，建模耦合的时空依赖。网格选择器在共享预热阶段后，依据带惩罚项的验证损失选择最优网格，并将其保留用于后续训练与推理；不同数据集使用相同惩罚因子，无需手动选择聚合粒度。这属于数据集级配置选择，不能据此解释为逐样本或测试时自适应。具体网格定义、惩罚项形式及训练配置尚未验证。 作者在覆盖 EEG、MEG 与 ECoG 的十一项数据集上，对比六种紧凑模型和三种基础模型，任务包含运动想象（MI）、P300 检测、SSVEP 解码、心算（MA）状态分类及语音解码。作者报告，在十一项数据集的评估中，PyraNet 的平均排名为 1.8，平均 Balanced Accuracy（BAcc）为 66.93%，较次优模型高 3.1 个百分点。在与基础模型共同评估的九项 EEG 数据集上，作者报告平均 BAcc 为 77.55%，比最强基础模型高 3.1 个百分点，参数量约为其千分之一。两组均值对应不同数据集范围，不宜直接比较。 其可核对的贡献在于轻量时空建模与自动聚合粒度选择的组合，而不只是缩小模型规模。摘要未提供数据集名称、被试数量、被试内／跨被试／跨会话划分、基础模型预训练与适配方式，也未给出具体参数量和运行成本。复现时需核对验证集如何参与网格选择、各基线的训练与调参预算，以及空间滤波、多时间感受野和网格选择各自的贡献；实验协议、消融及统计信息尚未验证。现有结果是作者在所列评估范围内的报告，尚不能据此确认对未见数据集、在线 BCI 或跨设备场景的泛化能力。