基于个体差异弱化的双分支图卷积网络用于运动想象 EEG 分类

基于摘要分析。该研究针对运动想象 EEG 分类中不同被试性能差异较大的问题，提出 Double-branch Graph Convolutional Attention Neural Network（DGCAN）及损失函数 EegLoss，分别从空间特征处理和难样本训练入手，尝试缩小被试间分类 Accuracy 的差距。 核心机制：作者将个体差异归因于不同被试数据的空间特征与训练难度差异。DGCAN 使用图神经网络筛选受空间位置因素干扰较小的通道，再通过时空域卷积提取所选通道的特征，以弱化空间特征差异的影响。EegLoss 聚焦难样本训练，旨在减少不同被试数据中模型难以有效学习的部分。摘要未提供双分支的具体分工、图构建方式、通道筛选规则、注意力实现及损失数学形式，相关机制仍需正文核对。 结果：作者报告，在 BCI Competition IV datasets 2a 和 2b 上分别取得 84% 和 86% 的 Accuracy，并报告相较此前模型缩小了被试间 Accuracy 差距、提高了稳健性。摘要未说明这些结果采用被试内、跨被试还是跨会话协议，也未明确数据划分、结果汇总方式及对照基线，因此不能直接与其他协议下的分数比较。摘要提及主流深度学习方法在同一数据集不同被试间的 Accuracy 最大差异超过 20%，但其统计口径尚未验证，不应直接当作本方法的改进幅度。 阅读与复现重点：应核对平均 Accuracy 提升与被试间差距缩小是否同时成立，以及低性能被试是否确实获益；还需核对 DGCAN 与 EegLoss 各自的贡献、难样本的定义和权重分配，以及通道筛选是否稳定。实验协议、消融及统计信息尚未验证，代码与复现配置的可用性也尚未验证。该研究聚焦不同被试的性能均衡，不能仅据摘要将其解释为已验证的跨被试域泛化能力。