基于深度神经网络与内源性电位的自然脑机交互探索

基于摘要分析。该研究面向人机协作中 EEG 脑机接口准确率与控制自由度受限的问题，探索对运动想象（MI）、视觉想象（VI）和言语想象（SI）三种内源性 BMI 范式进行范式间分类，并提出基于时间信息的神经网络 TINN。其主要贡献是研究不同类型心理想象活动能否作为可区分的控制类别，而非仅在单一范式内增加类别。 方法方面，作者对 MI、VI 和 SI 开展统计与神经生理分析，并使用 TINN 分类三种范式。作者报告，在区分这些范式时，不同脑区可提取具有统计显著性的特征。摘要仅说明 TINN 利用时间信息，未给出具体网络结构、时间信息编码方式、损失函数或训练流程，相关机制尚未验证。 结果方面，作者报告，在 MI、VI、SI 三类心理想象任务分类中，TINN 相比所比较的既有方法取得最高 Accuracy，为 0.93。摘要未说明这一数值对应的被试内或跨被试协议、数据划分、被试规模及具体对照方法，因此不能据此判断跨被试泛化能力，也不能直接与其他协议下的结果比较。实验协议、消融及统计信息尚未验证。 该工作的直接意义是提供扩展内源性 BMI 指令类别的研究路径。不过，三种范式的离线可分性并不等同于自然人机协作中的在线控制能力；在线表现、ITR、任务切换负担和实际机器人控制效果均需进一步核对。复现前还需确认 EEG 采集与预处理、任务提示及试次安排、训练测试划分、TINN 实现和代码可用性。