EEGForceFusion：用于被试独立抓握力解码的 token 化与连续表征联合学习

基于摘要分析。EEGForceFusion 针对连续抓握力 EEG 解码中的复杂时序动态、被试间差异及泛化困难，提出联合建模连续表征与 token 化表征的混合框架，以兼顾细粒度神经信号结构和长程时间依赖。 方法将卷积与循环表征学习、基于量化的 token 化以及基于 Transformer 的时序建模整合进统一的融合回归架构。其主要方法特点是结合连续与离散化表征，而非仅采用其中一种表示路径；具体量化方式、融合位置、训练目标及各模块的独立贡献，摘要未提供，尚需正文核对。 作者报告，在 WAY-EEG-GAL 数据集的严格留一被试（leave-one-subject-out）评估条件下，离线抓握力回归的 R² 为 0.817，模拟实时评估的 R² 为 0.793。作者同时称其延迟适合实时部署，但摘要未给出延迟数值、硬件条件或完整处理流程，因此模拟实时结果不能直接视为实际在线闭环验证。 复现时需核对数据预处理、时间窗与目标力信号的对齐方式，以及量化和模型训练在各留一被试折中的拟合范围；还需确认模拟实时推理的因果约束与端到端延迟。实验协议细节、对照基线、消融及统计信息尚未验证。辅助机器人、神经康复和人机交互是作者提出的应用方向，摘要尚不足以确认这些场景中的实际效果。