DBConformer：用于 EEG 解码的双分支卷积 Transformer

基于摘要分析。该研究针对 EEG 解码中 CNN 难以捕获长程时间依赖与全局通道关系、串行 CNN-Transformer 混合架构局部与全局特征整合不充分的问题，提出双分支卷积 Transformer DBConformer，联合建模时间动态与空间模式。 核心机制是采用 temporal Conformer 建模长程时间依赖，采用 spatial Conformer 提取通道间交互，并通过轻量级通道注意力模块为 EEG 通道分配数据驱动的重要性，以细化空间表征。其相对已有串行 Conformer 的主要设计区别是时间与空间双分支及显式通道建模；分支融合方式、注意力实现、损失函数及训练细节在所给摘要中未说明，尚未验证。 作者报告，在运动想象、癫痫发作检测和稳态视觉诱发电位（SSVEP）三类任务、四种评估设置下，DBConformer 的表现持续优于 13 个竞争基线，并相较所对照的高容量 EEG Conformer 架构实现超过八倍的参数量缩减。摘要未提供数据集名称、被试数、四种设置的具体划分、性能指标、分数及对照模型身份，因此不能确定这些结果分别对应被试内、跨被试或其他协议，也不能据此量化泛化能力。癫痫发作检测属于 EEG 分析任务，不能直接等同于 BCI 控制效果。 作者还报告，特征可视化呈现生理可解释性并与先验知识一致；可视化本身不足以确定解释的稳定性或因果意义，需结合全文中的分析方法核对。复现可从摘要提供的公开代码入手，但代码可运行性、预处理、实验协议、消融及统计信息尚未验证；尤其应核对双分支与通道注意力各自的贡献，以及参数量缩减所采用的具体比较口径。