MARS：用于 EEG-based BCI 空间–频谱与时间特征选择的多智能体强化学习

基于摘要分析。该研究面向运动想象（MI）EEG 分类，提出协作式多智能体强化学习框架 MARS，同时进行空间–频谱与时间域的特征选择，以补充仅在时间域选择任务相关特征的单智能体方法。 核心机制是让多个强化学习智能体以团队形式协作，处理多目标特征选择问题。框架采用反事实优势函数，旨在缓解多智能体信用分配中的“搭便车”问题，即团队收益难以准确归因于各智能体贡献的情况。摘要未提供智能体的具体分工、状态与动作定义、奖励设计，以及特征选择与后续特征提取网络如何衔接，这些实现细节尚未验证。 评估方面，作者报告在两个公开 MI 数据集上，分别采用被试依赖与被试独立场景开展实验，并将 MARS 应用于不同骨干网络。作者报告，MARS 的平均 Accuracy 优于所比较的方法，且提升具有统计显著性。摘要未给出数据集名称、被试数、数据划分、对照方法、具体 Accuracy 或显著性检验结果，因此不能量化增益，也不能直接将被试独立场景等同于某一具体 Cross-subject 划分协议。 阅读与复现时应重点核对：联合选择相对单域选择的消融、反事实优势函数对信用分配的实际贡献、不同骨干网络上的增益一致性，以及强化学习选择过程的计算成本。实验协议、消融及统计信息尚未验证；还需确认训练与评估阶段分别使用哪些信号和标签，以及被试独立评估中的数据隔离方式。