结合微调的双注意力关系网络用于少样本 EEG 运动想象分类

基于摘要分析。该研究针对被试间差异、未见被试标注数据稀缺及低信噪比导致的 MI EEG 分类困难，提出一个 two-way 少样本双注意力关系网络，并在测试前利用支持集微调，以适应未见被试的数据分布。 方法由四部分组成：嵌入模块提取信号表征；时间注意力模块突出重要时间特征；聚合注意力模块识别关键支持信号，并强调与查询信号相关的支持集信息；关系模块计算支持集与查询信号之间的关系分数，完成分类。其核心思路是联合学习特征相似性与少样本分类器，而不只使用固定的特征距离。测试前的适应步骤从已提供的支持集中任意抽取一个信号作为查询进行微调；具体抽样、标签使用及优化设置仍需查阅全文。 作者报告，在 BCI competition IV 2a、2b 和 GIST 数据集的跨被试、跨数据集分类任务中，使用三种不同嵌入模块评估时，该方法较基线有显著提升，并优于已有少样本方法。摘要未提供具体指标、提升幅度、基线名称、支持集规模、被试划分及统计检验信息，因此目前不能量化收益，也不能将不同协议下的结果直接比较。 复现时应重点核对少样本任务构造、支持集与查询集的划分、跨数据集类别及通道对齐方式，以及微调阶段可用的数据范围；还需核对两种注意力与微调各自的消融贡献。上述实验协议、消融及统计信息尚未验证。