DRDNet：用于手写想象 EEG 分类的双视图表征解耦网络

基于摘要分析。该研究针对手写想象（HI）EEG 中低信噪比、非平稳性、跨会话分布偏移，以及连续时间趋势与局部高响应模式共存的问题，提出双视图表征解耦网络 DRDNet，用互补时间表征及异构编码器支持非侵入式手写 BCI 解码。 方法先从空间 EEG 特征出发，分别通过平均池化和最大池化构建偏向平滑趋势、偏向显著响应的两种时间视图；随后分别使用双向 Mamba 编码器和 Transformer 编码器建模，通过时间步级动态融合整合两路表征，再以长短期记忆网络进行时间聚合。其核心思路是将不同时间特性分配给不同编码器，而非仅使用单一时间建模方式；摘要所述“解耦”主要体现为上述视图构造与建模路径，是否另有显式解耦约束尚未验证。 研究使用一个公开 HI EEG 数据集中的 Chinese character stroke HI（CCSHI，汉字笔画手写想象）和 pinyin single-vowel HI（SVHI，拼音单元音手写想象）任务。作者报告，在被试内跨会话评估中，两项任务的平均 Accuracy 分别为 67.74% 和 62.51%，Cohen's kappa 分别为 0.5968 和 0.5502；在跨被试评估中，平均 Accuracy 分别为 62.54% 和 54.40%。作者报告 DRDNet 在两种评估设置下均优于七种代表性 EEG 解码基线；不同协议下的分数不宜直接比较。 作者还报告通过混淆矩阵、特征可视化、消融、结构变体和复杂度评估，观察到更好的特征可分性及性能与计算效率之间的平衡，但摘要未给出相关定量细节。数据集名称、被试数、类别设置、具体会话与被试划分、预处理、训练配置、基线调参及统计信息尚未验证，代码可用性亦尚未确认。复现时应重点核对两类视图、编码器匹配及动态融合的独立贡献，并检查跨会话与跨被试结果的个体差异。