MARS：用于 EEG-BCI 空间–频谱与时间特征选择的多智能体强化学习

基于摘要分析。本文针对运动想象（MI）EEG 分类中的任务相关特征选择问题，提出协作式多智能体强化学习框架 MARS，同时在空间–频谱域和时间域进行特征选择，旨在补充仅选择时间特征的单智能体强化学习方案。 核心机制是让多个强化学习智能体以团队形式协作，求解涉及多个目标的特征选择问题。为处理多智能体协作中的信用分配及“搭便车”问题，作者引入反事实优势函数。摘要未披露智能体的具体分工、状态与动作定义、奖励设计、反事实优势的计算方式，以及特征选择与骨干网络训练的衔接流程，这些实现细节尚未验证。 作者在两个公开 MI 数据集上，分别采用被试依赖与被试独立设置评估 MARS，并将其应用于不同骨干网络。作者报告，MARS 的平均 Accuracy 优于所比较的方法，且提升具有统计显著性。摘要未提供数据集名称、被试数量、具体划分、对照方法、Accuracy 数值及统计检验信息，因此目前不能量化增益，也不能将被试独立设置直接等同于某种已确认的跨被试评估协议。 阅读与复现的关键是核对：联合选择相对于仅时间选择或仅空间–频谱选择的贡献，反事实优势函数的独立作用，以及不同骨干网络下的收益和计算开销。完整实验协议、消融及统计信息尚未验证；复现还需确认数据预处理、特征候选空间、训练与测试阶段的选择流程及代码可用性。