MTDANet：用于运动想象 BCI 的轻量级多尺度时间层级与距离正则化线性注意力网络

基于摘要分析。该研究针对运动想象（MI）EEG 单试次解码中任务模式微弱、非平稳且分布于多个时间尺度的问题，提出 MTDANet，以分阶段局部到全局建模整合精细时空结构与长程上下文，避免依赖不受约束的自注意力。 方法结合多尺度时空特征提取、因子化时间整合和距离正则化循环注意力。其核心思路是先提取局部结构，再逐步整合更长时间范围的信息；距离正则化的具体形式、注意力计算方式及轻量化的参数量与计算成本依据尚未验证。 作者在三个公开 MI 数据集上采用被试特定（subject-specific）与留一被试法（LOSO，跨被试）协议评估。作者报告，被试特定协议下，BCI Competition IV 2a、BCI Competition IV 2b 和 BNCI2014_002 的 Accuracy 分别为 85.61 ± 8.32%、90.85 ± 7.62% 和 87.79 ± 13.93%；LOSO 下依次为 63.31 ± 15.74%、79.77 ± 7.57% 和 79.96 ± 11.95%。摘要未说明“±”所对应的统计量，不能自行解释为标准差或标准误。 作者以被试为单位进行双侧配对 t 检验，并在各设置内采用 Holm 校正。相较平均 Accuracy 最高的基线，被试特定协议下 2a 与 2b 分别提升 3.56 和 1.62 个百分点，校正后 p 值分别为 0.0097 和 0.0168。作者另报告 BNCI2014_002 上一项 2.08 个百分点的差异，95% 置信区间为 0.42–3.73 个百分点，校正后 p = 0.0387；摘要未明确该差异对应哪一种协议。上述三项比较在涵盖 56 项比较的更广泛 Holm 敏感性分析中均未保持显著，因此统计证据需限定于比较范围。 作者还在 P300 与 SSVEP 数据集上分别训练独立初始化的模型，并报告其取得最高观测平均 Accuracy；这不等于跨任务迁移或同一模型的通用解码能力。具体数据集、结果数值与显著性尚未验证。总体证据限于离线评估，数据划分细节、预处理、基线配置、消融、代码可用性及在线 BCI 表现仍需查阅全文核对。