NeuroSketch：神经解码的实用架构设计方案

基于摘要分析。针对神经解码缺乏系统性架构设计指导的问题，作者提出 NeuroSketch：先比较基础架构，再进行宏观与微观层面的优化，形成可实例化的网络设计方案，研究对象涵盖 EEG、sEEG 和 ECoG 的视觉、听觉及言语相关解码任务。 核心机制方面，作者报告，在九种基础架构的比较中，CNN-2D 在所评估的神经解码任务上优于其他架构，并从时间与空间角度探讨其有效性。在此骨干上，宏观设计采用逐步扩展特征图与早期下采样，微观设计采用分组卷积，最终形成 NeuroSketch-Base 和 NeuroSketch-Large，参数量分别为 1.4M 和 4.2M。其主要贡献是围绕架构选择与组合形成设计方案，而非仅提出单一网络实例。 评估方面，作者报告，方案的开发与评估包含超过 4,500 次实验，覆盖上述模态和信号类型的八项任务；与十个基线比较时，两个变体合计在每项任务上均取得最佳 Accuracy。这不等于两个变体各自在全部任务上均领先。摘要未提供具体数据集、被试数、被试内或跨被试等划分协议、逐任务数值及统计不确定性，因此目前无法判断优势幅度或跨被试、跨会话泛化能力。 复现时值得核对基础架构比较的训练与调参条件、宏观和微观设计各自的贡献，以及不同信号类型下的输入组织与预处理方式。作者提供了匿名代码地址，但代码完整性与可运行性尚未验证；完整实验协议、消融及统计信息亦尚未验证。