ESCAViT：对称性感知 EEG 分类

基于摘要分析。该研究面向重症监护场景中 Ictal-Interictal-Injury Continuum（IIIC）模式的 EEG 分类，针对导联间相关性捕获不足和类别不平衡问题，提出多流 Transformer 框架 ESCAViT。其主要贡献是结合时空特征建模与域适应学习，改善不同 IIIC 模式的识别；研究对象是临床 EEG 模式分类，而非直接验证 BCI 控制任务。 机制方面，ESCAViT 利用 Video Vision Transformer 和专门的特征提取机制建模 EEG 时空模式，并通过域适应学习增强数据多样性、缓解异质性 Other 类（HOC）的影响。摘要未说明多流输入如何构造、对称性如何编码、导联相关性如何进入模型，也未给出域适应的源域与目标域定义、监督条件或损失形式，相关实现尚未验证。 结果方面，在摘要所述 IIIC 数据集实验中，作者报告相较其所称的最先进模型，mean accuracy per class（mACC）提升 21.9%，F1-score 提升 22.6%；作者还报告 LRDA 分类改善超过 20%，并称模型在不同 IIIC 模式和不平衡分布下保持一致表现。摘要未明确这些增幅是相对百分比还是百分点，亦未给出绝对分数、具体对照模型及被试内或跨被试划分，因此不能直接用于同协议性能比较；LRDA 改善所对应的具体指标也需核对。 复现方面，材料提供了代码仓库地址，但代码内容与运行条件尚未核验。阅读全文时宜重点核对数据集版本、被试与样本划分、类别分布、mACC 和 F1-score 的计算方式，以及对称性、多流结构和域适应各自的贡献。实验协议、消融及统计信息尚未验证，摘要所述改善也不足以直接确立临床部署有效性。