HST-SN：从 EEG 信号中学习时空语义特征的分层框架

基于摘要分析。该研究针对不同认知任务间 EEG 数据差异较大、通用特征提取器难以兼顾多种任务的问题，提出分层时空语义特征提取网络 HST-SN，建模语义单元内部及单元之间的时空特征，以支持多任务 EEG 解码。 核心机制：作者以认知任务依赖功能脑区之间具有时间组织的交互为出发点，将“语义单元”定义为携带语义信息、在时间或空间上离散的 EEG 片段，例如具有特定功能的脑区或认知过程中的短时片段。方法强调分层提取单元内与单元间的特征，而非仅针对特定应用设计表示。不过，摘要未说明语义单元如何划分、是否依赖脑区先验、层级之间如何交互，以及具体网络结构、损失和训练流程，这些实现细节尚未验证。 评估与结果：作者报告，在注意、疲劳、偏好和运动想象四类认知任务上，HST-SN 优于其比较的其他 SOTA 通用方法，并据此主张模型具有较强泛化能力与鲁棒性。作者还报告开展了时间与空间两个角度的对比实验，用于验证效率。摘要未提供数据集、被试数、被试内或跨被试划分、跨会话设置、具体基线、指标及数值，因此不能判断提升幅度，也不能将多任务评估直接等同于跨任务迁移或跨数据集泛化。 复现与证据边界：需核对各任务是否独立训练、是否共享模型参数，语义单元构造是否适配不同通道布局，以及“效率”指计算开销、数据需求还是其他指标。实验协议、消融及统计信息尚未验证；代码、预训练权重与可复现配置的可用性也尚未验证。摘要中的真实场景 BCI 部署价值属于作者提出的应用意义，尚不能据此认定已有在线或实际部署验证。