MIN2Net：用于被试独立运动想象 EEG 分类的端到端多任务学习

基于摘要分析。该研究针对运动想象（MI）EEG 的个体差异及随时间变化给被试独立分类带来的挑战，提出端到端多任务学习方法 MIN2Net。其核心贡献是将深度度量学习整合进多任务自编码器，在学习紧凑、具有判别性的 EEG 潜在表示的同时完成分类。 机制上，自编码器的表示学习与深度度量学习共同服务于分类任务，目标是增强潜在空间中的判别信息。作者报告，该方法降低了预处理复杂度，并改善了 EEG 分类表现；但摘要未提供具体预处理流程、网络结构、度量学习损失形式、各任务损失权重及训练细节，这些内容尚未验证。 结果方面，作者报告，在被试独立（跨被试）评估下，MIN2Net 相对所比较的现有先进方法，在 SMR-BCI 和 OpenBMI 数据集上的 F1-score 分别提升 6.72% 和 2.23%。摘要未说明这些数值是相对百分比提升还是百分点差值，因此保留原文表述；具体对照方法、绝对 F1、被试数量、训练与测试划分、消融及统计信息尚未验证，不能据此判断不同协议间的性能差距。 作者认为，潜在表示的判别信息得到改善，并据此提出面向新用户、无需校准的 MI BCI 应用具有可行性。这是作者对应用前景的结论，不等同于已完成真实使用场景的验证。复现时需核对跨被试划分、测试用户数据是否参与训练或适配，以及预处理和模型选择流程；代码、模型权重与运行条件在所给材料中尚未验证。