AGTCNet：面向运动想象 EEG 分类的原理驱动图时序方法

基于摘要分析。该研究针对运动想象 EEG 分类中跨被试、跨会话变异及多通道时空依赖建模问题，提出 attentive graph-temporal convolutional network（AGTCNet）。其核心是将 EEG 电极的拓扑配置作为归纳偏置，结合 graph convolutional attention network（GCAT）学习时空表征，并以紧凑架构兼顾分类效果与推理开销。 机制方面，电极拓扑为多通道 EEG 的空间关系建模提供先验，图时序模型则用于联合提取空间与时间信息。摘要未说明图的具体构建方式、GCAT 与时序卷积的连接方式、训练损失或微调流程，相关实现尚未验证。研究动机包含跨会话稳健性，但摘要列出的结果主要是被试独立分类与被试特定分类，不能据此认定已验证 Cross-session 泛化。 作者报告，在 BCI Competition IV Dataset 2a 上，被试独立分类的移动平均 Accuracy 为 66.82%，经被试特定微调后为 82.88%。在 EEG Motor Movement/Imagery Dataset 上，4 类和 2 类被试独立分类的移动平均 Accuracy 分别为 64.14% 和 85.22%；被试特定分类分别为 72.13% 和 90.54%。这些结果属于不同任务与适配条件，不能直接互作性能比较；移动平均的计算方式、被试与数据划分、微调数据使用范围均需核对。 作者还报告模型大小减少 49.87%、推理更快 64.65%，且使用更短的 EEG 输入；但摘要未明确这些数值对应的比较基线、模型大小度量、输入时长及推理硬件。因此，作者提出的性能领先与部署实用性主张尚需结合完整实验判断。复现时应重点核对预处理、电极拓扑定义、训练与微调协议，以及效率对照的计时条件；实验协议、消融及统计信息尚未验证。