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）BCI 中 EEG 节律的被试差异及随时间变化所带来的分类困难，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融入多任务自编码器，在学习紧凑且具有判别性的 EEG 潜在表征时，同时完成分类。 机制上，该方法把表征学习与分类结合，试图使潜在空间不仅能够编码 EEG 信息，还能支持类别区分。作者报告，这一设计可降低预处理复杂度并改善潜在表征的判别信息；具体网络结构、度量学习目标、各任务损失及其权重尚未验证。 结果方面，作者报告，在被试独立（Cross-subject）评估下，MIN2Net 优于所比较的当时先进方法，在 SMR-BCI 和 OpenBMI 数据集上的 F1 提升分别为 6.72% 和 2.23%。摘要未明确这些提升是相对百分比还是百分点，也未给出绝对 F1、具体对照方法、被试划分及统计不确定性，因此不宜据此进行跨协议性能比较。 作者据此提出为新用户开发无需校准的 MI-BCI 应用具有可能性与实用性，但这并不等同于已验证在线部署效果。复现与应用评估需核对训练和测试被试的隔离方式、预处理流程、超参数选择及校准定义；跨会话稳定性、实验协议、消融及统计信息尚未验证。摘要未提供代码或完整复现条件。