PDC-Net：用于跨被试视觉注意状态解码的门控 Mamba 交互前额叶双通道网络

基于摘要分析。该研究针对低通道 EEG 条件下视觉持续注意（VSA）与视觉内部导向认知（VIDC）解码的跨被试泛化问题，提出 PDC-Net，利用前额叶 Fp1/Fp2 双通道信号，在离线 GPU 环境中评估不依赖目标被试训练的状态解码可行性。 方法包含两个核心模块：Temporal Representation Adaptation Block（TRAB）负责局部时序变换与特征通道重校准；Cross-Branch Gated Mamba Interaction（CGMI）通过输入依赖的门控机制实现双分支信息交换与长程序列建模。其可核对的设计重点是将局部时序处理与跨分支交互结合，用于受限通道条件下的状态表征；具体网络结构、损失函数和训练流程尚未验证。 作者报告，在严格留一被试交叉验证（LOSO）协议下，PDC-Net 的平均解码 Accuracy 为 76.76%，为所评估的 11 个模型中最高的平均值。作者还报告，在所评估的离线 GPU 条件下，模型在跨被试解码性能与计算成本之间取得了较好的平衡；摘要未提供计算量、延迟或资源占用数值，因此不能据此判断实时部署性能。 这些结果支持的是受控条件下双通道 EEG 离线 VSA/VIDC 解码的可行性，不等同于外部数据、跨会话或在线 BCI 有效性。数据集、被试规模、任务与标签定义、预处理、LOSO 内部训练和验证划分、基线配置、消融及统计信息尚未验证；复现时需进一步核对这些条件，以及性能差异是否稳定。外部、跨会话、在线及特定硬件评估仍需后续验证。