AGTCNet：用于运动想象 EEG 分类的原则化图时序方法

基于摘要分析。该研究针对运动想象 EEG 分类中跨被试、跨会话神经活动差异及硬件约束带来的泛化挑战，提出 attentive graph-temporal convolutional network（AGTCNet）。核心方法是将 EEG 电极的头皮拓扑布局作为归纳偏置，并结合 graph convolutional attention network（GCAT），联合、动态学习 EEG 的空间与时间表征。 机制与贡献：研究将电极空间结构纳入图时序建模，而非仅依赖一般特征提取来处理通道间关系。摘要将紧凑架构、较短输入信号与分类表现作为主要贡献，但未提供图的构建方式、连接是否可学习、GCAT 与时间卷积的具体组合、损失函数或训练细节，这些内容尚未验证。 结果：在 BCI Competition IV Dataset 2a 上，作者报告被试独立（跨被试）分类的 moving average Accuracy 为 66.82%，针对特定被试微调后为 82.88%。在 EEG Motor Movement/Imagery Dataset 上，作者报告四分类和二分类被试独立任务的 moving average Accuracy 分别为 64.14% 和 85.22%，被试特定分类分别为 72.13% 和 90.54%。这些数值对应不同数据集、类别数和适配条件，不能直接横向比较；moving average 的计算方式及微调数据划分尚未验证，被试特定分类也不能据摘要直接等同于被试内评估。 效率与评估：作者报告模型大小减少 49.87%、推理时间缩短 64.65%，且使用更短的 EEG 输入，但摘要未说明这些相对变化所对应的基线、模型大小口径、硬件和输入时长。作者还称建立了被试独立与被试特定分类的实用训练—评估框架。阅读全文时应核对被试与会话划分、微调监督及数据预算、moving average 的统计口径、拓扑与注意力模块的消融，以及效率比较条件。摘要所称领先表现尚待具体对照验证；虽以会话不变性为研究动机，摘要未给出可单独确认的跨会话结果。实验协议、消融及统计信息尚未验证。